Qualitative evaluation of neuroretinal rim and retinal nerve fibre layer on optical coherence tomography to detect glaucomatous damage
Notice bibliographique
Résumé
PURPOSE: To understand the added value of Bruch's membrane opening-minimum rim width (BMO-MRW) measurements to conventional circumpapillary retinal nerve fibre layer (cpRNFL) thickness measurements on optical coherence tomography (OCT) imaging for discriminating between perimetric glaucoma and healthy eyes, evaluated through a qualitative evaluation. METHODS: 384 healthy eyes and 188 glaucoma eyes were evaluated, and glaucoma eyes were categorised as perimetric (n=107) based on a history of ≥3 consecutive abnormal 24-2 visual field tests or suspected glaucoma if they did not (n=81). OCT-derived BMO-MRW and cpRNFL reports were qualitatively evaluated by two experienced graders in isolation at first, and then by using both reports combined. The diagnostic performance (sensitivity at 95% specificity, total and partial area under the receiver operating characteristic curve) of detecting perimetric glaucoma with each method were compared. RESULTS: All diagnostic performance measures for detecting perimetric glaucoma eyes were not significantly different when using either the cpRNFL or BMO-MRW reports alone compared with using both reports combined (p≥0.190), nor when comparing the use of each report in isolation (p≥0.500). CONCLUSIONS: Experienced graders exhibited no difference in discriminating between perimetric glaucoma and healthy eyes when using a cpRNFL report alone, the BMO-MRW report alone or the two reports combined. Therefore, either OCT imaging report of the neuroretinal tissue could be used effectively for detecting perimetric glaucoma, but further studies are needed to determine whether there are specific advantages of each method, or the combination of both, when evaluating eyes that have a greater degree of diagnostic uncertainty.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».