The Analysis of corneal transplantation in the Hospital of Lithuanian University of Health Sciences Eye Clinic over 6 years
Notice bibliographique
Résumé
Introduction:Corneal blindness account for 4% of the world’s 45 million blinds, a large portion of which is treatable [1]. Blindness due to corneal disease results from numerous degenerative, dystrophic, infectious, and inflammatory corneal disorders and corneal damage appears secondary to ocular surface disease [2]. Treatment for many people with these conditions can be provided via a corneal transplantation (CT), making access to CT essential to prevent blindness and subsequent disability [3]. CT is considered the world’s most frequent type of transplantation: nearly 200 000 transplantations a year are performed in 116 countries cooperating with 742 eye banks. The United States has the highest transplantation rate, followed by Lebanon and Canada. About 53% of the world’s population have no access to corneal transplantation [4]. 30-70 CT are performed in Lithuania each year, mostly in the Hospital of Lithuanian University of Health Sciences Kauno klinikos, with around 100 patients on the corneal transplant waiting list [5]. Aim: to analyze indications and surgical techniques of corneal transplantation at the Hospital of Lithuanian University of Health Sciences Eye Clinic over a 6 year period. Methodology: the retrospective analysis has been done after collecting data from the National Transplant Bureau [5] and health records of all the patients (n=125) who underwent corneal transplantation surgery at the Eye Clinic of Lithuanian University of Health Sciences during 2010-2015. The significance level of p=0.05 was chosen to test statistical hypotheses. Results:during this 6 year period from a total of 125 corneal transplants performed, we had access to 114 medical records (91.2%). [...].
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| 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 ».