Clinical effectiveness of the Manchester Glaucoma Enhanced Referral Scheme
Notice bibliographique
Résumé
BACKGROUND: Glaucoma referral filtering schemes have operated in the UK for many years. However, there is a paucity of data on the false-negative (FN) rate. This study evaluated the clinical effectiveness of the Manchester Glaucoma Enhanced Referral Scheme (GERS), estimating both the false-positive (FP) and FN rates. METHOD: Outcome data were collected for patients newly referred through GERS and assessed in 'usual-care' clinics to determine the FP rate (referred patients subsequently discharged at their first visit). For the FN rate, glaucoma suspects deemed not requiring referral following GERS assessment were invited to attend for a 'reference standard' examination including all elements of assessment recommended by National Institute for Health and Care Excellence (NICE) by a glaucoma specialist optometrist. A separate 33 cases comprising randomly selected referred and non-referred cases were reviewed independently by two glaucoma specialist consultant ophthalmologists to validate the reference standard assessment. RESULTS: 1404 patients were evaluated in GERS during the study period; 651 (46.3%) were referred to the Hospital Eye Service (HES) and 753 (53.6%) were discharged. The FP rate in 307 assessable patients referred to the HES was 15.5%. This study reviewed 131 (17.4%) of those patients not referred to the HES through the GERS scheme; 117 (89.3%) were confirmed as not requiring hospital follow-up; 14 (10.7%) required follow-up, including 5 (3.8%) offered treatment. Only one patient (0.8%) in this sample met the GERS referral criteria and was not referred (true FN). There were no cases of missed glaucoma or non-glaucomatous pathology identified within our sample. CONCLUSION: The Manchester GERS is an effective glaucoma filtering scheme with a low FP and FN rate.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».