Visual Acuity Screening in North Indian Schools: Testing Accuracy and Cost of Alternate Screening Models
Notice bibliographique
Résumé
Purpose Our study compares the sensitivity, specificity and cost of visual acuity screening as performed by all class teachers (ACTs), selected teachers (STs) and vision technicians (VTs) in north Indian schools.Methods Prospective cluster randomized control studies are conducted in schools in a rural block and an urban-slum of north India. Consenting schools, with a minimum of 800 students aged 6 to 17 years, within a defined study region in both locations, were randomised into three arms: ACTs, STs or VTs. Teachers were trained to test visual acuity. Reduced vision was defined as unable to read equivalent of 20/30. Optometrists, who were masked to results of initial screening, examined all children. Costs were measured for all three arms.Results The number of students screened were 3410 in 9 ACT schools, 2999 in 9 ST schools and 3071 in 11 VT schools. Vision deficit was found in 214 (6.3%), 349 (11.6%) and 207 (6.7%), (p < .001) children in the ACT, ST and VT arms, respectively. The positive predictive value of VT screening for vision deficit (81.2%) was significantly higher than that of ACTs (42.5%) and STs (30.1%), (p < .001). VTs had significantly higher sensitivity of 93.3% and specificity of 98.7%, compared to ACTs (36.0% and 96.1%) and STs (44.3% and 91.2%). The cost of screening children with actual visual deficit by ACTs, STs and VTs, was found to be $9.35, $5.79 and $2.82 per child, respectively.Conclusion Greater accuracy and lower cost favours school visual acuity screening by visual technicians in this setting, when they are available.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».