Diagnostic accuracy of optical coherence tomography for diagnosing glaucoma: secondary analyses of the GATE study
Notice bibliographique
Résumé
BACKGROUND/AIMS: To assess the diagnostic performance of retinal nerve fibre layer (RNFL) data of optical coherence tomography (OCT) for detecting glaucoma. METHODS: Secondary analyses of a prospective, multicentre diagnostic study (Glaucoma Automated Tests Evaluation (GATE)) referred to hospital eye services in the UK were conducted. We included data from 899 of 966 participants referred to hospital eye services with suspected glaucoma or ocular hypertension. We used both eyes' data and logistic regression-based receiver operator characteristics analysis to build a set of models to measure the sensitivity and specificity of the average and inferior quadrant RNFL thickness data of OCT. The reference standard was expert clinician examination including automated perimetry. The main outcome measures were sensitivity at 0.95 specificity and specificity at 0.95 sensitivity and the corresponding RNFL thickness thresholds. We explored the possibility of accuracy improvement by adding measures of within-eye and between-eye variation, scan quality, intraocular pressure (IOP) and age. RESULTS: Glaucoma was diagnosed in at least one eye in 17% of participants. Areas under the curve were between 0.83 and 0.88. When specificity was fixed at 0.95, the sensitivity was between 0.38 and 0.55, and the highest values were reached with models including the inferior quadrant rather than the average RNFL thickness. Fixing sensitivity at 0.95, the specificity was between 0.36 and 0.58. The addition of age, refractive error, IOP or within-subject variation did not improve the accuracy. CONCLUSION: RNFL thickness data of OCT can be used as a diagnostic test, but accuracy estimates remain moderate even in exploratory multivariable modelling of aiming to improve accuracy.
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 | 0,007 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».