The Determinants of Macular and Peripapillary Retinal Thickness Using Optical Coherence Tomography
Notice bibliographique
Résumé
Retinal nerve fiber layer thickness is an important factor in early diagnosis of posterior pole dysfunctions, assessment of treatment effect, and disease progress. The aim of this study was to compare the macular and peripapillary retinal thickness between genders and among refractive error types in healthy subjects. In addition, effective determinants of the thickness were ascertained. This cross-sectional study was conducted on 58 subjects (116 eyes), which had been referred to the Toos eye clinic of Mashhad, northeast of Iran, for refractive error surgery from September 2012 to June 2013. We used Optical Coherence Tomography for retinal thickness measurements. The mean±SD spherical equivalence was estimated to be -2.06±0.36 dioptres (range: -11.50, 7.38), axial length 23.89±0.14 mm, average peripapillary thickness 89.91±0.94 μm, average macular thickness 274.68±1.84 μm, and overall macular volume 9.89±0.07 mm3.Multiple linear regression modeling was indicated that axial length and gender had significant effect on average macular thickness. Axial length also showed substantial effect on average peripapillary thickness. Retinal thickness measurement regardless of refractive error type could lead to bias in disease diagnosis. The results of the present study might be used to enhance the assessment precision of ocular diseases.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».