Comparison between confocal scanning laser tomography, scanning laser polarimetry and optical coherence tomography on the ability to detect localised retinal nerve fibre layer defects in glaucoma patients
Notice bibliographique
Résumé
BACKGROUND/AIM: To compare the ability of confocal scanning laser tomography (CSLT), scanning laser polarimetry (SLP) and optical coherence tomography (OCT) in recognising localised retinal nerve fibre layer (RNFL) defects. METHODS: 51 eyes from 43 patients with glaucoma were identified by two observers as having RNFL defects visible on optic disc photographs. 51 eyes of 32 normal subjects were used as controls. Three masked observers evaluated CSLT, SLP and OCT images to determine subjectively the presence of localised RNFL defects. RESULTS: Interobserver agreement was highest with OCT, followed by SLP and CSLT (mean kappa: 0.83, 0.69 and 0.64, respectively). RNFL defects were identified in 58.8% of CSLT, 66.7% of SLP and 54.9% of OCT (p = 0.02 between SLP and OCT) by at least two observers. In the controls, 94.1% of CSLT, 84.3% of SLP and 94.1% of OCT scans, respectively, were rated as normal (p = 0.02 between CSLT and SLP, and SLP and OCT). CONCLUSION: Approximately 20-40% of localised RNFL defects identified by colour optic disc photographs are not detected by CSLT, SPL or OCT. SLP showed a higher number of false-positive results than the other techniques, but also had a higher proportion of correctly identified RNFL defects in the glaucoma population.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».