Fungal keratitis in Iran: Risk factors, clinical features, and mycological profile
Notice bibliographique
Résumé
Introduction This study was intended to investigate the clinical features and predisposing factors of fungal keratitis (FK), as well as molecular identification and antifungal susceptibility of causative agents in Tehran, Iran. Methods This cross-sectional study was carried out from April 2019 to May 2021. All fungi isolates were identified using conventional methods and were confirmed by DNA-PCR-based molecular assays. Matrix-assisted laser desorption/ionization-time of flight (MALDI-TOF) was used to identify yeast species. Minimum inhibitory concentrations (MIC) of eight antifungal agents were assessed according to the European Committee on Antimicrobial Susceptibility Testing (EUCAST) microbroth dilution reference method. Results Fungal etiology was confirmed in 86 (7.23%) of 1189 corneal ulcers. A significant predisposing factor for FK was ocular trauma caused by plant materials. Therapeutic penetrating keratoplasty (PKP) was required in 60.4% of cases. The predominant fungal species isolated was Fusarium spp. (39.5%) followed by Aspergillus spp. (32.5%) and Candida spp. (16.2%). Discussion The MIC results indicate that amphotericin B may be appropriate for treating FK caused by Fusarium species. FK caused by Candida spp. can be treated with flucytosine, voriconazole, posaconazole, miconazole, and caspofungin. In developing countries such as Iran, corneal infection due to filamentous fungi is a common cause of corneal damage. In this region, fungal keratitis is observed primarily within the context of agricultural activity and subsequent ocular trauma. Fungal keratitis can be managed better with understanding the ”local“ etiologies and antifungal susceptibility patterns.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».