Notice bibliographique
Résumé
Objective To evaluate the risk factors for retinal vein occlusion(RVO) through a meta-analysis. Methods The literatures on risk factors of RVO were searched in the Cochrane library, PubMed, and Embase databases.The literature search time ranged from the establishment of database to December 2018.The literatures were evaluated and filtrated by using Newcastle-Ottawa Scale, Stata software (version 12.0) was used for data processing. Results A total of 31 case-control studies with 4 370 cases and 6 534 controls were included.The meta-analysis showed that hypertension (odds ratio[OR]=3.08, 95% confidence interval [CI]: 2.22-4.28), diabetes (OR=1.61, 95% CI: 1.11-2.32), hyperlipidemia (OR=1.73, 95% CI: 1.27-2.36), hyperlipoprotein (a)-emia (OR=2.72, 95% CI: 1.06-6.97), hyperhomocysteinemia (OR=1.86, 95% CI: 1.47-2.35), mutation of coagulation factor V Leiden gene (OR=1.89, 95% CI: 1.17-3.06) were risk factors for RVO.However, mutation of gene MTHFR C677T (OR=1.41, 95% CI: 0.93-2.14)、mutation of prothrombin gene G20210A (OR=1.20, 95% CI: 0.81-1.79) were not found to be risk factors for RVO.Subgroup analysis showed that the heterogeneity of hypertension and diabetes among people aged over 60 decreased from 88.9% and 75.7% to 59.8% and 63.2%, respectively.The heterogeneity of hyperhomocysteinemia in people aged below 60 decreased from 85.6% to 64.3%.The sensitivity analysis results showed that there were no significant differences after changing the analysis model.There was no publication bias among the literatures. Conclusions Hypertension, diabetes, hyperlipidemia, hyperhomocysteinemia, hyperlipoprotein (a)-emia, mutation of coagulation factor V Leiden gene are risk factors for retinal vein occlusion. Key words: Retinal vein occlusion; Risk factors; Meta-analysis
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 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,004 | 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 ».