Assessment of WINROP algorithm as screening tool for preterm infants in Manitoba to detect retinopathy of prematurity
Notice bibliographique
Résumé
OBJECTIVE: Developing less invasive methods for early detection of retinopathy of prematurity (ROP) is vital to minimizing blindness in premature infants. Lofqvist and colleagues developed a computer-based ROP risk algorithm (WINROP) (https://winrop.com), which detects downtrends in postnatal weight gain that correlate with the development of sight-threatening ROP. The aim of this study is to investigate the sensitivity and specificity of the WINROP algorithm to detect vision-threatening ROP. METHODS: This is a retrospective chart review study between January 2008 and December 2013. This study was conducted in the neonatal intensive care unit in Children's Hospital at Health Sciences Centre, Winnipeg, Manitoba, Canada. The study included preterm infants, less than 32 weeks' gestation, who were admitted to the hospital during the study period. The included 215 infants were eligible for ROP screening and had sufficient data to be entered into the WINROP algorithm. Infants were screened by a paediatric ophthalmologist for retinopathy of prematurity. The body weight of infants was measured weekly and entered into the WINROP algorithm; the sensitivity and the specificity of the WINROP algorithm were assessed. RESULTS: The mean gestational age was 28.6 ± 1.8 weeks. The mean body weight was 1244 ± 294 g. The sensitivity of the WINROP algorithm to detect vision-threatening retinopathy of prematurity in our cohort was 90% (P=0.021) with a specificity of 60% (P=0.002). CONCLUSION: The WINROP algorithm lacks sufficient sensitivity to be used clinically in our population. The algorithm needs to be reassessed in contemporary populations.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».