Changes in Corneal Detection Thresholds After Repeated Tear Film Instability
Notice bibliographique
Résumé
Purpose: To use a human-based model to study the effects of repeated tear film instability on corneal detection thresholds to cold, mechanical, and chemical stimuli. Methods: Twenty-five subjects participated in three study visits. A computer-controlled Belmonte esthesiometer was used to estimate corneal detection thresholds to cold, mechanical, and chemical stimuli before, after, and 30 minutes following 10 consecutive sustained tear exposure (STARE) trials. Subjects turned a pain knob (0-10) to indicate discomfort during STARE trials. The area of tear breakup and thinning in each trial was analyzed. Symptoms were evaluated by the Current Symptom Questionnaire (CSQ). Results: There was a significant time effect on CSQ symptoms during both visits (Friedman test, P < 0.001), with immediately after repeated STARE and 30 minutes later significantly differing from before STARE (Wilcoxon, P < 0.017). Tear breakup occurred in every trial, ranging from 25% to 88% of the exposed corneal area and all subjects indicated discomfort during trials. There was a significant time effect on mechanical thresholds between before STARE mechanical thresholds and 30 minutes later (repeated measures analysis of variance [ANOVA] P < 0.001), but not cold (P = 0.057) or chemical (P = 0. 565) thresholds. Conclusions: In this study, tear breakup during STARE trials was associated with discomfort, which when repeated, resulted in increased symptoms of ocular discomfort and alterations of mechanical sensory thresholds after 30 minutes. These results suggest that tear film instability, which is thought to occur repeatedly during normal blinking among dry eye patients over the day, can produce neurosensory alterations.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».