Dry Eye Disease in University‐based Clinics in Canada: A Retrospective Chart Review
Notice bibliographique
Résumé
SIGNIFICANCE: Dry eye disease (DED) imposes a substantial burden on patients, which can lead to significant economic consequences for society. We provide insights into the DED patient population and DED diagnostic/management practices in Canada, which to date have been inadequately addressed in the literature. PURPOSE: The purpose of this study was to describe DED patient demographic/clinical characteristics alongside DED diagnosis/management in university-based optometry clinics in Canada. METHODS: This was a retrospective chart review of nonconcurrent non-Sjögren patients with DED at two university-based optometry clinics in Montreal and Waterloo. Waterloo charts with a diagnosis of DED and all charts from the Montreal dry eye clinic were considered for inclusion. RESULTS: Overall, 200 charts were reviewed. Most patients were female (Montreal, 76%; Waterloo, 72%), and the mean age was 57.2 ± 14.9 years at Montreal and 52.6 ± 20.1 years at Waterloo. Patients commonly reported multiple health conditions (e.g., allergies [Montreal, 44%; Waterloo, 36%]), and high use of systemic nonocular medications was observed (Montreal, 76%; Waterloo, 62%). Clinical signs and symptoms of DED were recorded more often in Montreal patients than in Waterloo patients (e.g., dryness symptoms, 100 vs. 72%; tear breakup time, 100 vs. 60%). Warm compresses (Montreal, 63%; Waterloo, 83%) and artificial tears (Montreal, 94%; Waterloo, 96%) were the most frequently recommended nonmedical treatment and ocular lubricant, respectively. Topical steroids were the most frequently prescribed medications (Montreal, 22%; Waterloo, 21%), with typically three to four different interventions recommended per patient at each clinic. No relationship was found between symptoms and clinical signs or recommended interventions. CONCLUSIONS: This retrospective chart review provided the demographics, clinical characteristics, diagnosis, and management options for DED patients in Canadian university-based optometry clinics. The more comprehensive assessments conducted at Montreal may be beneficial to better monitor the progression of DED and to determine treatment effects over time.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».