The cost‐effectiveness of alternative vision screening models among preschool children in rural China
Notice bibliographique
Résumé
PURPOSE: To explore the accuracy and cost-effectiveness of three vision screening models among preschool children in rural China. METHODS: Vision screening was carried out among children aged 4-5 years in 65 preschools in two counties in Northwest China, using Crowded Single Lea Symbols to test visual acuity. Children were assigned randomly by school to one of three screening models: screening by teachers (15 schools, 1835 children), local optometrists (30 schools, 1718 children) or volunteers (20 schools, 2183 children). Children identifying ≥2 symbols incorrectly in either eye failed screening. Accuracy of screening was compared with screenings executed by experienced optometrists among 141 children selected randomly from the three screening models. Direct and indirect costs for each model were assessed. Costs to detect a true case failed screening were estimated. RESULTS: The sensitivity for three models ranged from 76.9% to 87.5%, specificity from 84.9% to 86.7% and standardized positive predictive value from 83.7% to 85.7%. None differed significantly between models. The costs per case detected were $37.53, $59.14 and $52.19 for the teachers, local optometrists and volunteers. In producing the cost estimates for teacher screening and local optometrist screening models, we used a salary payment that was identical for both models (with the salary being equal to that of the optometrist). The teacher screening model was the most cost-effective. CONCLUSION: Accuracy of screening by teachers, local optometrists and volunteers was the same in this setting, but the use of teachers was most cost-effective, reducing the cost per case detected by almost 40%.
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 | 0,000 |
| 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 ».