Calibrating the Impact of Vision Impairment (IVI): Creation of a Sample-Independent Visual Function Measure for Patient-Centered Outcomes Research
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: Provide item calibrations estimated for the Impact of Vision Impairment (IVI) questionnaire by pooling data from several studies of people with vision impairment (VI) representing a variety of countries and causes of VI. Methods: Eight data sets from six principal investigators representing responses to IVI items from 2867 VI patients were pooled for analysis. Eligible patients were 18 years or older and from Australia, India, and the United States. Rasch analysis, using the Andrich Rating Scale Model (Winsteps version 3.65), was performed on preintervention IVI responses to estimate item and person measures, reliability coefficients, and response category thresholds. Differential item functioning (DIF) analysis and analysis of variance (ANOVA) were used to examine the effects different data sets and covariates on item estimates. Results: Patient age range was 18 to 103 years (median 62 years); 55% were male. Visual acuity ranged from 20/20 to no light perception and primary diagnosis was macular degeneration in 29% of patients. Item measure estimates showed good separation reliability (R2 = 0.99). DIF magnitude did not preclude use of all IVI-28 data. ANOVA showed VA (P < 0.001) and gender (P < 0.002) were predictors of visual ability. Conclusions: Analysis from pooled data support the provision of calibrated IVI item measures for researchers and clinicians to use, thus better enabling direct comparisons of patients with VI. Translational Relevance: Validity testing of the IVI show that we can combine disparate data sets of patient responses to calibrate item measures and response category thresholds, and provide to others for use in comparing patients across clinical trials and on an individual basis.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| 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 découle