MétaCan
Menu
Retour à la cohorte
Enregistrement W4379470495 · doi:10.1016/j.xops.2023.100349

Democratizing Health Care in the Metaverse: How Video Games can Monitor Eye Conditions Using the Vision Performance Index

2023· article· en· W4379470495 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueOphthalmology Science · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueVirtual Reality Applications and Impacts
Établissements canadiensPrism Eye InstituteUniversity of Toronto
Organismes subventionnairesNational Eye InstituteMissouri University of Science and TechnologyResearch to Prevent Blindness
Mots-clésMacular degenerationMedicineVideo gameGlaucomaLeverage (statistics)Index (typography)OphthalmologyOptometryArtificial intelligenceComputer scienceMultimedia

Résumé

récupéré en direct d'OpenAlex

ObjectiveIn a world where digital media is deeply engrained into our everyday lives, there lies an opportunity to leverage interactions with technology for health and wellness. The Vision Performance Index (VPI) leverages natural human-technology interaction to evaluate visual function using visual, cognitive and motor psychometric data over five domains: field of view, accuracy, multi-tracking, endurance, and detection. The purpose of this study was to describe a novel method of evaluating holistic visual function through video-game derived VPI score data in patients with specific ocular pathology.DesignProspective comparative analysisSubjectsParticipants, and/or Controls: Patients with dry eye disease, glaucoma, cataract, diabetic retinopathy (DR), age-related macular degeneration (AMD), and healthy individuals.MethodsThe Vizzario Inc software development kit was integrated into two video-game applications, Balloon Pop and Picture Perfect, which allowed for generation of VPI scores. Study participants were instructed to play rounds of each video game, from which a VPI score was compiled.Main Outcome MeasuresThe primary outcome was VPI overall score in each comparison group. VPI component and subcomponent scores, and VPI psychophysical inputs, were also compared.ResultsVPI scores were generated from 93 patients with macular degeneration (n=10), cataract (n=10), diabetic retinopathy (n=15), dry eye (n=15), glaucoma (n=16), and no ocular disease (n=27). VPI overall score was not significantly different across comparison groups. VPI subcomponent ‘reaction accuracy’ score was significantly greater in DR patients (106 ± 13.2) versus controls (96.9 ± 11.5), p=0.0220. VPI subcomponent ‘colour detection’ score was significantly lower in patients with DR (96.8 ± 2.5; p=0.0217) and glaucoma (98.5 ± 6.3; p=0.0093) compared to controls (101 ± 11; p=0.0198). Psychophysical measures were statistically significantly different from controls: proportion correct (lower in DR, AMD), contrast errors (higher in cataract, DR), and saturation errors (higher in dry eye).ConclusionsVPI scores can be generated from interactions of an ocular disease population with videogames. The VPI may offer utility in monitoring select ocular diseases through evaluation of subcomponent and psychophysical input scores, however future, larger scale studies must evaluate the validity of this tool.

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.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,473
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,004
Études des sciences et des technologies0,0020,001
Communication savante0,0000,001
Science ouverte0,0020,000
Intégrité de la recherche0,0000,000
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 Opus0,044
Tête enseignante GPT0,372
Écart entre enseignants0,328 · 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