Asymmetry analysis of macular optical coherence tomography angiography in patients with glaucoma and healthy subjects
Notice bibliographique
Résumé
BACKGROUND/AIMS: Quantitative analysis of optical coherence tomography angiography (OCT-A) images requires a reproducible approach that accounts for sectoral loss. The objective of this study was to determine whether an index that accounts for both global (perfusion density, PD) and asymmetric loss of perfusion, rather than PD alone, more reliably measures loss of perfusion in patients with glaucoma. METHODS: We analysed macular OCT-A scans of 95 glaucoma patients and 59 control subjects. Two-dimensional projection images corresponding to the superficial vascular plexus were exported and analyses performed to calculate global PD and image asymmetry. An unsigned perfusion asymmetry index (PAI) that included PD and asymmetry (with 1:1 wt) was calculated. Perfusion density and PAI were compared with 10-2 visual field mean deviation and ganglion cell layer (GCL) thickness. RESULTS: Median (IQR) visual field mean deviation was -1.73 (-3.76, 0.30) dB for the glaucoma group and 0.67 (0.16, 1.18) dB for the control group. The strength of the correlation with mean deviation was stronger for PAI (r=0.47), compared with PD (r=0.35), whereas with GCL thickness they were comparable (r=0.45 and 0.43, respectively). Compared with controls, mean PD was 12% lower in patients with glaucoma (0.27 vs 0.30), while PAI was 17% lower (0.40 vs 0.48). However, diagnostic accuracy of either PD or PAI was worse than GCL thickness. CONCLUSIONS: While PAI yielded better correlation with mean deviation and GCL thickness, and a slightly improved separation between patients with glaucoma and healthy controls, diagnostic accuracy was inferior compared with GCL thickness.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».