Preschool children's vision screening in New Zealand: a retrospective evaluation of referral accuracy
Notice bibliographique
Résumé
OBJECTIVES: To assess the accuracy of preschool vision screening in a large, ethnically diverse, urban population in South Auckland, New Zealand. DESIGN: Retrospective longitudinal study. METHODS: B4 School Check vision screening records (n=5572) were compared with hospital eye department data for children referred from screening due to impaired acuity in one or both eyes who attended a referral appointment (n=556). False positive screens were identified by comparing screening data from the eyes that failed screening with hospital data. Estimation of false negative screening rates relied on data from eyes that passed screening. Data were analysed using logistic regression modelling accounting for the high correlation between results for the two eyes of each child. PRIMARY OUTCOME MEASURE: Positive predictive value of the preschool vision screening programme. RESULTS: Screening produced high numbers of false positive referrals, resulting in poor positive predictive value (PPV=31%, 95% CI 26% to 38%). High estimated negative predictive value (NPV=92%, 95% CI 88% to 95%) suggested most children with a vision disorder were identified at screening. Relaxing the referral criteria for acuity from worse than 6/9 to worse than 6/12 improved PPV without adversely affecting NPV. CONCLUSIONS: The B4 School Check generated numerous false positive referrals and consequently had a low PPV. There is scope for reducing costs by altering the visual acuity criterion for referral.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».