Prevalence of blindness and cataract surgical coverage in Narayani Zone, Nepal: a rapid assessment of avoidable blindness (RAAB) study
Notice bibliographique
Résumé
BACKGROUND: The 1981 Nepal Blindness Survey first identified the Narayani Zone as one of the regions with the highest prevalence of blindness in the country. Subseuqently, a 2006 survey of the Rautahat District of the Narayani Zone found it to have the country's highest blindness prevalence. This study examines the impact on blind avoidable and treatable eye conditions in this region after significant increase in eye care services in the past decade. METHODS: The rapid assessment of avoidable blindness (RAAB) methodology was used with mobile data collection using the mRAAB smartphone app. Data analysis was done using the standard RAAB software. Based on the 2011 census, 100 clusters of 50 participants aged 50 years or older were randomly sampled proportional to population size. RESULTS: Of the 5000 participants surveyed, 4771 (95.4%) were examined. The age-adjusted and sex-adjusted prevalence of bilateral blindness, severe visual impairment (SVI) and moderate visual impairment (MVI) were 1.2% (95% CI 0.9% to 1.5%), 2.5% (95% CI 2.0% to -3.0%) and 13.2% (95% CI 11.8% to 14.5%), respectively. Cataract remains the primary cause of blindness and SVI despite cataract surgery coverage (CSC) of 91.5% for VA<3/60. Women still account for two-thirds of blindness. CONCLUSION: The prevalence of blindness in people over the age of 50 years has decreased from 6.9% in 2006 to 1.2%, a level in keeping with the national average; however, significant gender inequity persists. CSC has improved but continues to favour men.
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 | 0,000 |
| 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 | 0,000 | 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 ».