MétaCan
Menu
Retour à la cohorte
Enregistrement W3187706707 · doi:10.1038/s41598-021-95877-9

Improving event-based progression analysis in glaucomatous visual fields

2021· article· en· W3187706707 sur OpenAlexaff
Chiara Rui, Giovanni Montesano, David P. Crabb, Paolo Brusini, Balwantray C. Chauhan, Luca Rossetti, Paolo Fogagnolo, Jean‐Marie Giraud, J.-R. Fénolland, Francesco Oddone

Notice bibliographique

RevueScientific Reports · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueGlaucoma and retinal disorders
Établissements canadiensNova Scotia Health AuthorityDalhousie University
Organismes subventionnairesFondazione RomaMinistero della Salute
Mots-clésGlaucomaVisual fieldOptic nerveMedicineOptic neuropathyCompassOphthalmologyPerimeterFundus (uterus)Computer scienceCartographyMathematics

Résumé

récupéré en direct d'OpenAlex

Glaucoma is a progressive optic neuropathy with characteristic changes to the optic nerve head and the visual field (VF). Detecting progression of VF damage with Standard Automated Perimetry (SAP) is of paramount importance for clinical care. One common approach to detecting progression is to compare each new VF test to a baseline SAP test (event analysis). This comparison is made difficult by the test-retest variability of SAP, which increases with the level of VF damage, and the limited range of measurement, meaning that damage cannot be assessed below a certain level. We performed a prospective international multi-centre data collection of SAP data on 90 eyes from 90 people with glaucoma and different levels of VF damage over a short period of time (6 tests in 60 days). Data were collected using a fundus tracked perimeter (Compass, CenterVue). We used these data (minus the first test) to develop an improved event analysis that accounts for both the change in variability with damage and the lower bound on the measurement imposed by SAP. Using simulations, we show that our approach is more sensitive compared to previously developed methods, especially in the case of advanced glaucoma, while retaining similar specificity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,293
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetGlaucoma and retinal disordersTravaux en français237 207