Treatment of Amblyopia Using Personalized Dosing Strategies: Statistical Modelling and Clinical Implementation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: To generate a statistical model for personalizing a patient's occlusion therapy regimen. METHODS: Statistical modelling was undertaken on a combined data set of the Monitored Occlusion Treatment of Amblyopia Study (MOTAS) and the Randomized Occlusion Treatment of Amblyopia Study (ROTAS). This exercise permits the calculation of future patients' total effective dose (TED)-that predicted to achieve their best attainable visual acuity. Daily patching regimens (hours/day) can be calculated from the TED. RESULTS: Occlusion data for 149 study participants with amblyopia (anisometropic in 50, strabismic in 43, and mixed in 56) were analyzed. Median time to best observed visual acuity was 63 days (25% and 75% quartiles; 28 and 91 days). Median visual acuity in the amblyopic eye at start of occlusion was 0.40 logMAR (quartiles 0.22 and 0.68 logMAR) and at end of occlusion was 0.12 (quartiles 0.025 and 0.32 logMAR). Median lower and upper estimates of TED were 120 hours (quartiles 34 and 242 hours), and 176 hours (quartiles 84 and 316 hours). The data suggest a piecewise linear relationship (P = 0.008) between patching dose-rate (hours/day) and TED with a single breakpoint estimated at 2.16 (standard error 0.51) hours/day, suggesting doses below 2.16 hours/day are less effective. CONCLUSION: We introduce the concept of TED of occlusion. Predictors for TED are visual acuity deficit, amblyopia type, and age at start of occlusion therapy. Dose-rates prescribed within the model range from 2.5 to 12 hours/day and can be revised dynamically throughout treatment in response to recorded patient compliance: a personalized dosing strategy.
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.
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 | 0,000 |
| 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 découle