Nomogram to Predict Graft Thickness in Descemet Stripping Automated Endothelial Keratoplasty: An Eye Bank Study
Notice bibliographique
Résumé
PURPOSE: The purpose of this study was to develop a nomogram to predict postcut thickness of corneal grafts prepared at an eye bank for Descemet stripping automated endothelial keratoplasty (DSAEK). METHODS: Retrospective chart review was performed of DSAEK graft preparations by 3 experienced technicians from April 2012 to May 2017 at the Eye Bank of Canada-Ontario Division. Variables collected included the following: donor demographics, death-to-preservation time, death-to-processing time, precut tissue thickness, postcut tissue thickness, microkeratome head size, endothelial cell count, cut technician, and rate of perforation. Linear regression models were generated for each microkeratome head size (300 and 350 μm). RESULTS: A total of 780 grafts were processed during the study period. Twelve preparation attempts resulted in perforation (1.5%) and were excluded. Mean precut tissue thickness was 510 ± 49 μm (range: 363-670 μm). Mean postcut tissue thickness was 114 ± 22 μm (range: 57-193 μm). Seventy-nine percent (608/768) of grafts were ≤130 μm. The linear regression models included precut thickness and donor age, which were able to predict the thickness to within 25 μm 80% of the time. CONCLUSIONS: We report a nomogram to predict thickness of DSAEK corneal grafts prepared in an eye bank setting, which was accurate to within 25 μm 80% of the time. Other eye banks could consider performing similar analyses.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».