A Data-Driven Model for Simulating Longitudinal Visual Field Tests in Glaucoma
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.
Notice bibliographique
Résumé
Purpose: To develop a simulation model for glaucomatous longitudinal visual field (VF) tests with controlled progression rates. Methods: Longitudinal VF tests of 1008 eyes from 755 patients with glaucoma were used to learn the statistical characteristics of VF progression. The learned statistics and known anatomic correlations between VF test points were used to automatically generate progression patterns for baseline fields of patients with glaucoma. VF sequences were constructed by adding spatially correlated noise templates to the generated progression patterns. The two one-sided test (TOST) procedure was used to analyze the equivalence between simulated data and data from patients with glaucoma. VF progression detection rates in the simulated VF data were compared to those in patients with glaucoma using mean deviation (MD), cluster, and pointwise trend analysis. Results: VF indices (MD, pattern standard deviation), MD linear regression slopes, and progression detection rates for the simulated and patients' data were practically equivalent (TOST P < 0.01). In patients with glaucoma, the detection rates in 7 years using MD, cluster, and pointwise trend analysis were 24.4%, 26.2%, and 38.4%, respectively. In the simulated data, the mean detection rates (95% confidence interval) for MD, cluster, and pointwise trend analysis were 24.7% (24.1%-25.2%), 24.9% (24.2%-25.5%), and 35.7% (34.9%-36.5%), respectively. Conclusions: A novel simulation model generates glaucomatous VF sequences that are practically equivalent to longitudinal VFs from patients with glaucoma. Translational Relevance: Simulated VF sequences with controlled progression rates can support the evaluation and optimization of methods to detect VF progression and can provide guidance for the interpretation of longitudinal VFs.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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 découle