MANAGEMENT OF RETINAL PIGMENT EPITHELIUM TEAR DURING ANTI–VASCULAR ENDOTHELIAL GROWTH FACTOR THERAPY
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: This article aims to review current evidence on the development, diagnosis, and management of retinal pigment epithelium (RPE) tear during anti-vascular endothelial growth factor (VEGF) therapy. METHODS: Literature searches were performed using MEDLINE/PubMed databases (cut-off date: August 2019). RESULTS: Three key recommendations were made based on existing literature and clinical experience: 1) Multimodal imaging with color fundus photography, optical coherence tomography, near-infrared reflectance imaging, fundus autofluorescence imaging, optical coherence tomography-angiography, and/or fluorescein angiography are recommended to diagnose RPE tear and assess risk factors. Retinal pigment epithelium tears can be graded by size and foveal involvement. 2) Patients at high risk of developing RPE tear should be monitored after each anti-VEGF injection. If risk factors worsen, it is not yet definitively known whether anti-VEGF administration should be more frequent, or alternatively stopped in such patients. Prospective research into high-risk characteristics is needed. 3) After RPE tear develops, anti-VEGF treatment should be continued in patients with active disease (as indicated by presence of intraretinal or subretinal fluid), although cessation of therapy should be considered in eyes with multilobular tears. CONCLUSION: Although evidence to support the assumption that anti-VEGF treatment contributes to development of RPE tear is not definitive, some data suggest this link.
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle