Reintervention rate in glaucoma filtering surgery: A systematic review and meta-analysis
Notice bibliographique
Résumé
PURPOSE: Reintervention rate is an important factor impacting on patients, surgeons, and society. To date, only a few studies have focused on this topic. For this reason, a systematic review and meta-analysis was undertaken to assess the reintervention rate after glaucoma filtering surgery. MATERIALS AND METHODS: Prospective studies reporting the reintervention rate after glaucoma filtering surgery and with at least 12 months of follow-up were systematically searched on PubMed, Medline and Embase databases. The primary outcome was the total reintervention rate following surgery. Secondary outcomes were: the rate of manipulation, in-clinic and in-operating room reintervention; the reintervention rate for intraocular pressure (IOP) control and for complications; demographic, clinical and surgical variables associated with reintervention rate. RESULTS: Ninety-three studies with a total of 8345 eyes were eligible. The total reintervention rate was 1.84 (95% CI 1.57-2.13), with a lower rate for Baerveldt (0.53, 95% CI 0.29-0.83) and Preserflo (0.60, 95% CI 0.15-1.29), and a higher rate for Xen (4.26, 95% CI 2.59-6.31). The manipulation rate was 0.99 (95% CI 0.77-1.23), the in-clinic reintervention rate was 0.08 (95% CI 0.05-0.12) and the in-operating room reintervention rate was 0.28 (95% CI 0.22-0.35). The reintervention rate for IOP control was 1.26 (95% CI 1.04-1.51) and the reintervention rate for complications was 0.27 (95% CI 0.21-0.35). CONCLUSIONS: All types of surgery presented a total reintervention rate similar to the overall findings, except studies on Baerveldt and Preserflo Microshunt, with a lower rate, and Xen, with a higher rate. None of the variables evaluated were found to be directly associated with the explored outcomes.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,011 | 0,006 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 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 ».