Reproducibility of Retinal and Optic Nerve Head Perfusion Measurements Using Scanning Laser Doppler Flowmetry
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: To evaluate the reproducibility of full-field perfusion analysis using scanning laser Doppler flowmetry (SLDF) for perfusion measurements of the neuroretinal rim of the optic nerve head and the peripapillary retina in patients with open-angle glaucoma or ocular hypertension, and in normal subjects. PATIENTS AND METHODS: SLDF perfusion measurements of the neuroretinal rim and the peripapillary retina were performed on 20 patients with open-angle glaucoma or ocular hypertension (group G) and 20 normal volunteers (group N). Each subject underwent two independent sessions, 30 minutes apart, each involving 5 high quality images. Intrasession and intersession reproducibility coefficients for flow, volume, and velocity were calculated for a single image and for means of 3 and 5 images using analysis of variance models. flow, the intrasession coefficient of reliability was 0.99 each for the rim, nasal retina, and temporal retina in group G and 0.93, 0.93, and 0.95, respectively, in group N. The intersession coefficient of reliability for flow was 0.99 for the rim, 0.95 for the nasal retina, and 0.87 for the temporal retina in group G and 0.87, 0.82, and 0.80, respectively, in group N. Compared with single image analysis, intrasession and intersession reproducibility were generally better when a mean of 3 images and substantially better when a mean of 5 images was used. CONCLUSION: SLDF full-field perfusion analysis is markedly more reproducible than the original software using 10 x 10 pixel windows. Obtaining mean values for at least 3 images improves the intrasession and intersession reproducibility of this technique.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».