MétaCan
Menu
Retour à la cohorte
Enregistrement W4319301732 · doi:10.1097/j.jcrs.0000000000001151

Relative efficacy of intracameral moxifloxacin injection methods

2023· article· en· W4319301732 sur OpenAlexaffabout
Steve A. Arshinoff, Runjie Bill Shi

Notice bibliographique

RevueJournal of Cataract & Refractive Surgery · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueOcular Infections and Treatments
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMoxifloxacinMixing (physics)BottleComputer scienceMedicineBiomedical engineeringMaterials scienceChemistryPhysics

Résumé

récupéré en direct d'OpenAlex

PURPOSE: To determine the amount of moxifloxacin remaining in the anterior chamber (AC), immediately after its injection using 3 current injection methods, assuming mixing and fluid exchange with the AC contents during injection of the drug, and to determine the most desirable injection method. SETTING: Department of Ophthalmology and Vision Sciences and Institute of Biomedical Engineering, University of Toronto, Toronto, Canada. DESIGN: Mathematical modeling. METHODS: Mathematical modeling using first-order mixing methods were used to assess mixing. RESULTS: The Kaiser method of injecting 0.5 mL × 100 μg/0.1 mL does not achieve the desired 500 μg level of moxifloxacin in the AC. The "straight from the bottle" method of injecting 0.1 mL × 500 μg/0.1 mL is fraught with potential error, yielding a relatively unreliable final amount in the AC. Injecting 0.5 to 0.6 mL × 150 μg/0.1 mL yields a result closest to the desired goal. CONCLUSIONS: Based on the calculation, the most accurate of current methods to deliver 500 μg moxifloxacin intracamerally is the method of 150 μg/0.1 mL × 0.5 to 0.6 mL.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,528
Score d'incertitude au seuil0,482

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,041
Tête enseignante GPT0,398
Écart entre enseignants0,357 · 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 tête enseignante, 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

Citations2
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Cataract & Refractive SurgeryMême sujetOcular Infections and TreatmentsTravaux en français237 207