Characteristics of 110 Patients With Functional Visual Loss
Notice bibliographique
Résumé
PURPOSE: Functional visual loss (FVL) is characterized by complaints of visual impairment without evidence of an organic cause. Physicians are often reluctant to diagnose FVL; thus, little is known about health care utilization in patients with FVL. DESIGN: Retrospective case series. METHODS: A total of 110 patients seen at 2 university-affiliated neuro-ophthalmology practices who were diagnosed with FVL were included. Medical records were evaluated, and data were collected on demographics, clinical presentation, ophthalmologic examination, neuroimaging, ancillary tests, and other health care provider visits and treatments. RESULTS: More than 70% of patients with FVL were women with a mean age of 37 ± 15 years. The presenting complaint in 71.8% (79/110) of participants was decreased vision, which was bilateral in >50% of cases. Close to half (53/110) endorsed at least 1 coexisting psychiatric or neurologic diagnosis. The mean number of different medical specialists seen before neuro-ophthalmic consultation was 3.7 ± 2.6, and the average number of health care visits was 4.6 ± 4.4. Each patient had 2.2 ± 1.8 neuroimaging studies performed. Fifteen percent of patients underwent unnecessary treatments, including receiving steroids, visual therapy, and prisms. CONCLUSIONS: Patients with FVL typically see at least 3 different health care providers across 4 different visits and undergo at least 2 neuroimaging studies before having neuro-ophthalmic consultation. To avoid this undue burden on patients and the health care system, clinicians should refer patients with suspected FVL to a neuro-ophthalmologist to confirm the diagnosis of FVL and appropriately counsel the patient.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».