Detecting Glaucoma in Rural Kenya: Results From a Teleglaucoma Pilot Project in Nyamira, Kenya
Notice bibliographique
Résumé
PRECIS: A teleglaucoma (TG) case-finding model was used in Kenya. Of the patients, 3.46% had definite glaucoma and 4.12% were glaucoma suspects. Most cases were of moderate to advanced stage and referred for further assessment. PURPOSE: The aim was to evaluate glaucoma prevalence in a high-risk population using a TG model. METHODS: Patients aged 35 or over were referred to the TG program from the outpatient diabetic and hypertensive clinics at Nyamira District Hospital (NDH) and from community awareness programs. Comprehensive ophthalmic examination included structured history, visual acuity, intraocular pressure, central corneal thickness, stereoptic nerve, and macular images. A glaucoma specialist provided diagnosis and management recommendation through virtual consultation. Glaucoma diagnosis and staging were based on at least 1 eye meeting the optic nerve criteria as specified by the Canadian glaucoma guidelines. RESULTS: In all, 1206 participants were seen and 19 of these could not complete the examination. Of 1187 patients, 56% were women and the mean age was 56.60±12.36 years. Of the patients, 11.8% had images that were ungradable in at least 1 eye. The prevalence of glaucoma and glaucoma suspects was 3.46% (n=42) and 4.12% (n=50), respectively. The proportion of patients with early, moderate, advanced, and absolute glaucoma was 2.4%, 33.3%, 52.4%, and 2.4%, respectively. Other diagnoses (pathology in at least 1 eye) included cataract in 13.2%, diabetic retinopathy in 1.48%, and optic atrophy in 1.98%. Of the patients, 28.2% were referred to the Innovation Eye Centre, Kisii, for further assessment. CONCLUSION: A structured TG program detected glaucoma in 3.46% of a rural Kenyan population. Timely patient referral was also initiated.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».