Diagnostic Accuracy of Glaucoma With Sector-Based and a New Total Profile–Based Analysis of Neuroretinal Rim and Retinal Nerve Fiber Layer Thickness
Notice bibliographique
Résumé
PURPOSE: To compare the diagnostic accuracy of conventional sector-based analysis with a method devised to detect the smallest localized neuroretinal rim and retinal nerve fiber layer thickness (RNFLT) damage. METHODS: One eye of 151 glaucoma patients and 83 healthy controls (median age and MD, 71.7 and 66.7 years, and -3.6 and -0.3 dB, respectively) was imaged with spectral-domain optical coherence tomography (OCT). Bruch's membrane opening-minimum rim width (BMO-MRW) and RNFLT were determined at 1° intervals and also averaged for each sector. A classification of glaucoma was made with sectoral analysis when the sectoral value was below the 1%, 5%, or 10% normative limit (from an independent normative dataset); and with total analysis when a given number of measurements was below the 1%, 5%, or 10% normative limit. RESULTS: With the 1% normative limit, BMO-MRW sectoral analysis yielded sensitivity of 87% and specificity of 92%; while at the same specificity (92%), total analysis yielded sensitivity of 88%. With RNFLT, sectoral analysis yielded sensitivity of 85% and specificity of 95%; while at the same specificity (95%), total analysis yielded sensitivity of 83%. The results for the 5% and 10% normative limits yielded lower specificity but higher sensitivity. In the whole glaucoma population, none of the sensitivity values of the sectoral and total analysis at the same specificities were statistically different. CONCLUSIONS: The diagnostic accuracy of sectoral analysis was equivalent to total analysis. These results indicate that BMO-MRW and RNFLT defects were wide and deep enough for detection by conventional sectoral analysis.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».