MétaCan
Menu
Retour à la cohorte
Enregistrement W4291002611 · doi:10.1542/peds.2021-053924

Retinopathy of Prematurity: A Global Perspective and Recent Developments

2022· review· en· W4291002611 sur OpenAlexaff
Kourosh Sabri, Anna L. Ells, Elizabeth Y. Lee, Sourabh Dutta, Anand Vinekar

Notice bibliographique

RevuePEDIATRICS · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueRetinopathy of Prematurity Studies
Établissements canadiensUniversity of CalgaryMcMaster University
Organismes subventionnairesnon disponible
Mots-clésRetinopathy of prematurityMedicineIntensive care medicineBlindnessChildhood blindnessDiseaseEpidemiologyPediatricsOptometryPathologyGestational agePregnancy

Résumé

récupéré en direct d'OpenAlex

Retinopathy of prematurity (ROP) is a significant cause of potentially preventable blindness in preterm infants worldwide. It is a disease caused by abnormal retinal vascularization that, if not detected and treated in a timely manner, can lead to retinal detachment and severe long term vision impairment. Neonatologists and pediatricians have an important role in the prevention, detection, and management of ROP. Geographic differences in the epidemiology of ROP have been seen globally over the last several decades because of regional differences in neonatal care. Our understanding of the pathophysiology, risk factors, prevention, screening, diagnosis, and treatment of ROP have also evolved over the years. New technological advances are now allowing for the incorporation of telemedicine and artificial intelligence in the management of ROP. In this comprehensive update, we provide a comprehensive review of pathophysiology, classification, diagnosis, global screening, and treatment of ROP. Key historical milestones as well as touching upon the very recent updates to the ROP classification system and technological advances in the field of artificial intelligence and ROP will also be discussed.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
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)0,0040,001

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 Opus0,078
Tête enseignante GPT0,376
Écart entre enseignants0,298 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations183
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePEDIATRICSMême sujetRetinopathy of Prematurity StudiesTravaux en français237 207