Provocation of Dry Eye Disease during COVID-19 Lockdown
Notice bibliographique
Résumé
Abstract To assess the impact of COVID-19 lockdown measures on dry-eye symptoms in a community-based population, a cross-sectional study was conducted during the first wave of the COVID-19 outbreak in Thailand. An online survey was distributed via social media between June and July 2020. The questionnaire elicited information on demographics, dry-eye symptoms, viewing habits, and mental health status. There were 535 respondents. Thirty-seven percent reported having been diagnosed with dry-eye disease (DED). During the lockdown, the mean dry-eye symptom score (DESS) of overall participants dropped significantly from 81.6±15.9 to 79.8±17.4 (P<0.001). The mean, daily, visual display terminal (VDT) usage increased from 10.55±5.16 hours to 13.08±5.65 hours (P<0.001). A negative correlation between age and VDT usage was observed in both the normal and lockdown situations. One-quarter of all participants had an abnormal mental health status. The female gender (OR 1.86; 95% CI 1.14–3.04) and increased VDT usage during the lockdown (OR 5.68; 95% CI 3.49–9.23) were independently associated with worsening dry-eye symptoms. The lockdown measures abruptly altered the behaviors and lifestyles of the overall population. Excessive exposure to VDTs were associated with deteriorated dry-eye symptoms, and it possibly contributed to the increased DED incidence in the general population.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,003 | 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 ».