Retinal Sensitivity Is Reduced in Patients With Obstructive Sleep Apnea
Notice bibliographique
Résumé
PURPOSE: To evaluate the outcomes of standard automated perimetry (SAP) in patients with obstructive sleep apnea (OSA). METHODS: Eighty OSA patients and 111 age-matched controls were consecutively and prospectively enrolled. One eye per subject was randomly selected. All participants underwent at least one reliable SAP (24-2 SITA Standard algorithm). The peripapillary retinal nerve fiber layer thickness (RNFL) was measured with spectral-domain optical coherence tomography (OCT). Patients with OSA were classified into three groups according to the apnea/hypopnea index: mild, moderate, or severe OSA. Parameters of SAP and OCT were compared between healthy controls and OSA patients. Correlation of apnea/hypopnea index with OCT and SAP measurements were calculated. RESULTS: Mean age, best-corrected visual acuity, and central corneal thickness were similar between groups. Intraocular pressure, however, was lower in the OSA group. Mean deviation of SAP was -0.23 ± 0.8 dB in the control group and -1.74 ± 2.8 dB in the OSA group (P < 0.001). Thickness of RNFL measured with OCT did not differ significantly between groups. Patients with OSA showed reduced sensitivity at most points tested by white-on-white perimetry compared with healthy individuals. The threshold values were more depressed in the peripheral visual field. The apnea/hypopnea index was related to the SAP indices: Pearson correlations were -0.432 with mean deviation, 0.467 with pattern standard deviation, and -0.416 with the visual field index (P < 0.001). CONCLUSIONS: Patients with OSA exhibited reduced retinal sensitivity measured with SAP compared with healthy controls.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,010 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».