Physician and patient concordance in reporting of appropriateness and prioritization for cataract surgery
Notice bibliographique
Résumé
BACKGROUND/AIMS: Determine the association between physician-deemed and patient-reported appropriateness and prioritization for cataract surgery. METHODS: Prospective cohort study of 471 patients of 7 ophthalmologists referred for cataract surgery. Ophthalmologists rated patients for cataract surgery appropriateness and prioritization using a visual analogue scale of 0-10 preoperatively. All patients completed the eCAPS Quality of Life (QoL), while 313 completed the Catquest-9SF and EQ-5D questionnaires. Regression analyses were applied to determine demographic, clinical and patient-reported outcome measures (PROMs) associated with appropriateness and prioritization. RESULTS: Two clinical factors (study eye and fellow eye best-corrected visual acuity (BCVA)), 2 eCAPS (night driving difficulty, ability to take care of local errands), and 2 Catquest-9SF PROMs (recognizing faces, seeing to walk on uneven ground) were associated with appropriateness. In multivariable regression, the rating physician, 2 clinical criteria (study eye BCVA, anticipated postoperative BCVA) and 1 eCAPS QoL (night driving difficulty) were associated with appropriateness. Prioritization was associated with low income, 8 clinical criteria, 9 eCAPS, 5 Catquest-9SF, and 1 EQ-5D PROMs. In multivariable regression, 1 clinical criterion (study eye BCVA), 2 eCAPS QoL (night driving difficulty, ability to take care of local errands), and 2 Catquest-9SF PROMs (seeing prices, seeing to walk on uneven ground) were significantly associated. CONCLUSIONS: The eCAPS and Catquest-9SF questionnaires show some concordance with physician-deemed appropriateness, and more with prioritization. Binary conversions of PROM scales provide similar modelling, with minimal loss of explanatory power. As physician-deemed appropriateness and prioritization do not completely capture the patient perspective, PROMs may have a role in cataract surgery decision-making frameworks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».