Prediction accuracy of IOL calculation formulas using the ASCRS online calculator for a diffractive extended depth-of-focus IOL after myopic laser in situ keratomileusis
Notice bibliographique
Résumé
BACKGROUND: To evaluate IOL calculation formulas provided by an online calculation tool from the ASCRS for an extended depth-of-focus (EDOF) IOL after previous myopic laser in situ keratomileusis (LASIK). SETTING: Department of Ophthalmology, Goethe University, Frankfurt, Germany. DESIGN: Retrospective consecutive case series. METHODS: Patients who underwent cataract surgery or refractive lens exchange with implantation of a diffractive EDOF IOL and who had a history of myopic LASIK were included. Biometry, refractive data regarding the LASIK procedure, target refraction, and postoperative refraction were collected. Mean prediction error, mean absolute error (MAE), and the number of eyes within ±0.5 diopters (D), ±1.0 D, ±1.5 D, and ±2.0 D were calculated with the following formulas from the ASCRS calculator: Shammas, Haigis-L, Barrett True-K, Barrett No History, Masket, modified Masket, and the average of all formulas (average). RESULTS: Twenty-five eyes matched the inclusion criteria. Mean spherical equivalent (SE) was -0.81 ± 0.69 D; the mean pre-LASIK SE was -6.4 ± 3.63 D. The formulas ranked by MAE were Shammas (0.7 ± 0.75 D), Haigis-L (0.72 ± 0.57 D), average (0.79 ± 0.8 D), Barrett True-K (1.14 ± 0.89 D), modified Masket (1.4 ± 1.15 D), Barrett No History (1.45 ± 0.7D ), and Masket (1.64 ± 1.27 D). The formulas with the most eyes within ±0.5 D were average (52%), Shammas (48%), and Haigis-L (44%) formulas. CONCLUSIONS: Calculation of IOLs in eyes with a history of refractive surgery remains a challenge. In this study, the Shammas and Haigis-L formulas performed best regarding MAE and percentage of eyes within ±0.5 D; however, the average of all formulas delivered reasonable results.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».