<p>Evaluation of Retinal Nerve Fiber Layer and Ganglion Cell Layer Thickness in Alzheimer’s Disease Using Optical Coherence Tomography</p>
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the feasibility of using optical coherence tomography (OCT) for the detection of Alzheimer's disease (AD), by measuring the thickness of the retinal nerve fiber layer (RNFL) and the ganglion cell layer and inner plexiform layer (GCL-IPL). MATERIAL AND METHODS: This was a single-center, cross-sectional study. The study included 29 patients with AD (mean age ± standard deviation: 75.61 ± 6.24 years) and 29 healthy age- and sex-matched controls. All participants underwent cognitive evaluations using the Montreal Cognitive Assessment test. Measurements of the RNFL thickness, as well as GCL-IPL thickness, were obtained for all participants using OCT. Both RNFL and GCL-IPL parameters were adjusted for best-corrected visual acuity, hypertension, diabetes and dyslipidemia. RESULTS: The mean RNFL thickness was significantly thinner in the AD group than in the control group (85.24 and 90.68 µm, respectively, adjusted P=0.014). The superior quadrant was thinner in the AD group (adjusted P=0.033). The thicknesses did not differ significantly between groups for the other quadrants. The mean GCL-IPL thickness in the AD (68.81 µm) was significantly thinner than that in the controls (76.42 µm) (adjusted P=0.014). Overall, there was a negative correlation between age and mean RNFL; and between age and GCL-IPL thickness (r=-0.338, P=0.010 and r=-0.346, P=0.008, respectively). CONCLUSION: The mean RNFL and GCL-IPL thicknesses were thinner in the AD group than in the control group. These findings suggest that RNFL and GCL-IPL thickness may be biological markers for AD.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».