Blindness prevalence and cataract surgical coverage in Lumbini Zone and Chetwan District of Nepal
Notice bibliographique
Résumé
AIM: To determine the prevalence of blindness, visual impairment and the cataract surgical coverage for people aged 50 years and older in the Lumbini Zone and the Chitwan District (Narayani Zone) of Nepal. METHODS: A population-based cross-sectional study in 2006 selected subjects aged 50 years and older through a random multistage cluster sampling and door-to-door enumeration. Ophthalmic examination included visual-acuity assessment and refraction, and anterior and posterior segment examination of the eyes carried out by a trained ophthalmologist and two ophthalmic assistants at centralised locations. RESULTS: The survey examined 5138 of 5196 persons enumerated (response rate of 86.8%). The mean age of the subjects was 61 (SD 9.2) years, and 2701 (52.6%) subjects were women. The age-sex-adjusted prevalence of blindness (best presenting vision <6/60) and visual impairment (better-eye presenting visual acuity of <6/18 to > or = 6/60) were 4.6% (95% CI 3.4 to 5.8) and 18.9% (95% CI 16.4 to 21.4), respectively. Blindness was significantly lower in the hill (3.3%) compared with the plain (5.8%) regions (OR 0.6; 95% CI 0.4 to 0.9). The primary causes for blind eyes were cataract (n = 228, 48.1%), refractive error (n = 149, 31.4%), retinal disorders (n = 19, 4.0%) and corneal opacity (n = 18, 3.8%). The overall cataract surgical coverage was 66.6%. Cataract surgical coverage was not significantly associated with age, sex, literacy or District. CONCLUSION: Although the prevalence of blindness and visual impairment is lower than 10 years ago, particularly among women, correctable blindness due to cataract and refractive error (79.5% of blind people) remains a significant population health problem in Lumbini Zone and Chitwan District.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».