Feasibility of a school-based vision screening program to detect undiagnosed visual problems in kindergarten children in Ontario
Notice bibliographique
Résumé
BACKGROUND: Visual problems can negatively affect visual development and learning but often go undetected. We assessed the feasibility of scaling up a school-based screening program to identify and treat kindergarten children with visual problems. METHODS: We conducted a prospective cohort study offering vision screening to junior (JK) and senior kindergarten (SK) children attending 43 schools in 15 Ontario communities. Screening comprised photoscreeners and tests of visual acuity, stereoacuity and eye alignment. Children who failed any test were referred for a comprehensive eye examination, with treatment as needed (e.g., glasses). RESULTS: < 0.001). Referral rates to an optometrist varied across schools (mean referral rate for children in JK 53%, range 25%-83%; mean referral rate for children in SK 34%, range 12%-61%). Among 4811 children who were screened, a visual problem was detected in 516 (10.7%), including 164 (3.4%) with amblyopia and 324 (6.7%) with clinically significant refractive errors. For 347 (67.2%) of the children with a visual problem, this was their first eye examination. Rescreening in Year 2 did not lead to detection of additional problems among children who passed screening in Year 1. Regardless of location (child's school or optometrist's office), 1563 (68.9%) of children attended the follow-up optometry examination. Most of the children who were surveyed (291 of 322, 90.4%) indicated that they enjoyed vision screening. INTERPRETATION: Many children in Ontario with a visual problem were not being identified by the status quo in 2015-2017. We found that in-school vision screening with follow-up eye examinations is an effective strategy for identifying at-risk children and placing them in eye care before grade 1.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».