Prevalence of dry eye disease in Ontario, Canada: A population-based survey
Notice bibliographique
Résumé
PURPOSE: Population-based cross-sectional survey in Ontario to estimate the 2016 prevalence of dry eye disease (DED) and associated risk factors among adults in Canada. METHODS: We emailed the 5-Item Dry Eye Questionnaire (DEQ-5) to 124,469 Ontario adults (age ≥18 years) in the IQVIA E360 database, March-April 2017. Inclusion criteria were: ≥2 visits to an Ontario based clinic, ≥1 visits in the 1 year before the study; database record with email. DED was defined as a DEQ-5 score of >6/22. The crude prevalence by age/sex of the Ontario sample was adjusted to the 2016 Canadian population (mean age 41.0 years, 51% female). Significance of DED risk factors (age, sex, selected diseases/medical conditions and medications) was evaluated by logistic regression analysis. RESULTS: Of the 5163 (4.1%) patients who completed the survey (59.5% female, median age, 46 years; 40.4% male, 56 years), 1135 respondents reported DED. Prevalence increased with age (p < 0.05) and was highest among those aged 55-64 years (24.7%; 95% CI, 22.1-27.3%) and lowest among those aged 25-34 years (18.4%; 95% CI, 15.9-21.0%). Prevalence was significantly higher (p < 0.001) among women (24.7%; 95% CI, 23.2-26.2%) than men (18.0%; 95% CI, 16.4-19.7%). Other risk factors were not significant. The age-/sex-adjusted Canadian DED prevalence estimate from this sample was 21.3% (95% CI, 19.8-23.2%), corresponding to ∼6.3 million people. CONCLUSIONS: Based on the Ontario sample, we estimate that >6 million Canadian adults may have DED, and that older people and females are more likely to be affected.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».