Clinical Characteristics and Prognostic Factors of Posterior Segment Intraocular Foreign Body: Canadian Experience from a Tertiary University Hospital in Quebec
Notice bibliographique
Résumé
Purpose . To identify predictive factors for visual outcomes of patients presenting with a posterior segment intraocular foreign body (IOFB). Methods . A retrospective chart review was performed for all consecutive patients operated for posterior segment IOFB removal between January 2009 and December 2018. Data were collected for patient demographics, clinical characteristics at presentation, IOFB characteristics, surgical procedures, and postoperative outcomes. A multiple logistic regression model was built for poor final visual acuity (VA) as an outcome (defined as final VA 50 letters or worse [Snellen equivalent: 20/100]). Results . Fifty‐four patients were included in our study. Ninety‐three percent of patients were men, with a mean age of 40.4 ± 12.6 years. Metallic IOFB comprised 88% of cases with a mean ± standard deviation (SD) size of 5.31 ± 4.62 mm. VA improved in 70% of patients after IOFB removal. Predictive factors for poor VA outcome included poor baseline VA, larger IOFB size, high number of additional diagnoses, an anterior chamber extraction, a second intervention, the use of C3F8 or silicone tamponade, and the presence of vitreous hemorrhage, hyphema, and iris damage. Predictive factors for a better visual outcome included first intention intraocular lens (IOL) implantation and the use of air tamponade. In the multiple logistic regression model, both baseline VA ( p = 0.009) and number of additional complications ( p = 0.01) were independent risk factors for a poor final VA. Conclusions . A high number of concomitant complications and poor baseline VA following posterior segment IOFB were significant predictive factors of poor visual outcome.
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) | 0,001 | 0,000 |
| 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 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 ».