Factors Predicting a Greater Likelihood of Poor Visual Field Reliability in Glaucoma Patients and Suspects
Notice bibliographique
Résumé
Purpose: Identify factors predicting worse or better than expected visual field (VF) performance. Methods: A total of 10,262 VFs from 1538 eyes of 909 subjects with manifest or suspected glaucoma were analyzed. Linear mixed-effects models predicted mean deviation (MD) at each timepoint. Differences between observed and predicted MD (ΔMD) were calculated and logistic regression identified factors predicting lower than expected (ΔMD <−1 dB) or higher than expected (ΔMD >1 dB) sensitivity. Results: Both higher and lower than expected sensitivity were more likely in VFs with severe compared with mild damage (relative risk [RR] >1.3, P < 0.05). Higher than expected sensitivity was more likely in VFs with moderate damage (RR = 2.57, P < 0.001). False-positive (FP) errors increased the likelihood of higher than expected sensitivity at all disease stages (RR >2.1 per 10% increase, P < 0.001), whereas false-negative (FN) errors increased the likelihood of lower than expected sensitivity in mild and moderate disease (RR >1.19 per 10% increase, P < 0.05). Fixation loss errors slightly increased the likelihood of higher than expected VF sensitivity in moderate and severe disease (RR >1.1 per 10% increase, P < 0.01). Longer test duration increased likelihood of lower than expected sensitivity at all disease stages (RR >1.36 per minute increase, P < 0.001). Lower than expected sensitivity was more likely in late afternoon tests (RR = 1.27, P < 0.01). A total of 26.6% of VFs had higher or lower than expected sensitivity in the absence of FPs, FNs, or fixation losses. Conclusions: FPs, test duration, and FNs are the primary measures predicting if a VF is likely to be reliable, although tests with normal reliability measures may still be unreliable. Our results help clinicians judge VF reliability and highlight the need to integrate reliability measures with other clinical data when making treatment decisions. Translational Relevance: This likelihood model derived from a large dataset helps clinicians identify VFs that may either falsely suggest disease progression or mask true worsening, thereby improving the utility of VFs in clinical practice.
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 | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».