Clinical relevance of protruded retinal layers in minimum rim width measurement of the optic nerve head
Notice bibliographique
Résumé
BACKGROUND/AIMS: Optical coherence tomography (OCT) imaging of the optic nerve head minimum rim width (MRW) has recently been shown to sometimes contain components besides extended retinal nerve fibre layer (RNFL). This study was conducted to determine whether excluding these components, termed protruded retinal layers (PRLs), from MRW increases diagnostic accuracy for detecting glaucoma. METHODS: In this cross-sectional study, we included 123 patients with glaucoma and 123 normal age-similar controls with OCT imaging of the optic nerve head (24 radial scans) and RNFL (circle scan). When present, PRLs were manually segmented, and adjusted MRW measurements were computed. We compared diagnostic accuracy of adjusted versus unadjusted MRW measurement. We also determined whether adjusted MRW correlates better with RNFL thickness compared with unadjusted MRW. RESULTS: The median (IQR) visual field mean deviation of patients and controls was -4.4 (-10.3 to -2.1) dB and 0.0 (-0.6 to 0.8) dB, respectively. In the 5904 individual B-scans, PRLs were identified less frequently in patients (448, 7.6%) compared with controls (728, 12.3%; p<0.01) and were present most frequently in the temporal sector of both groups. Areas under the receiver operating characteristic curves and sensitivity values at 95% specificity indicated that PRL adjustment did not improve diagnostic accuracy of MRW, globally or temporally. Furthermore, adjusting MRW for PRL did not improve its correlation with RNFL thickness in either group. CONCLUSION: While layers besides the RNFL are sometimes included in OCT measurements of MRW, subtracting these layers does not impact clinical utility.
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 | 0,002 |
| 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 ».