MétaCan
Menu
Retour à la cohorte
Enregistrement W2613597024 · doi:10.1111/cxo.12546

Comparison of non‐invasive tear film stability measurement techniques

2017· article· en· W2613597024 sur OpenAlexaff
Michael T.M. Wang, Paul J. Murphy, Kenneth J. Blades, Jennifer P. Craig

Notice bibliographique

RevueClinical and Experimental Optometry · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueOcular Surface and Contact Lens
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésOphthalmologyMedicineOpticsPhysics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Measurement of tear film stability is commonly used to give an indication of tear film quality but a number of non-invasive techniques exists within the clinical setting. This study sought to compare three non-invasive tear film stability measurement techniques: instrument-mounted wide-field white light clinical interferometry, instrument-mounted keratoscopy and hand-held keratoscopy. METHODS: Twenty-two subjects were recruited in a prospective, randomised, masked, cross-over study. Tear film break-up or thinning time was measured non-invasively by independent experienced examiners, with each of the three devices, in a randomised order, within an hour. RESULTS: Significant correlation was observed between instrument-mounted interferometric and keratoscopic measurements (p < 0.001) but not between the hand-held device and the instrument-mounted techniques (all p > 0.05). Tear film stability values obtained from the hand-held device were significantly shorter and demonstrated narrower spread than the other two instruments (all p < 0.05), while no significant differences were observed between the two instrument-mounted devices (all p > 0.05). CONCLUSION: Good clinical agreement exists between the instrument-mounted interferometric and keratoscopic measurements but not between the hand-held device and either of the instrument-mounted techniques. The results highlight the importance of specifying the instrument employed to record non-invasive tear film stability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,119
Tête enseignante GPT0,472
Écart entre enseignants0,353 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical and Experimental OptometryMême sujetOcular Surface and Contact LensTravaux en français237 207