Strategies for the Management of Ocular Surface Disease in Glaucoma
Notice bibliographique
Résumé
Ocular surface disease (OSD) is a common ophthalmological concern, with a prevalence in the Canadian population estimated at 25%. Amongst glaucoma patients, up to 60% report symptoms of OSD and up to 78% have clinical signs. Surface symptoms significantly reduce glaucoma-related quality-of-life (QOL), and there is emerging evidence to suggest that treatment of OSD may in fact improve intraocular-pressure (IOP) control and contribute to disease stabilization. The treatment of OSD in glaucoma has been receiving increasing attention, however specific recommendations remain sparse.
 Ocular surface disease is known to represent a complex milieu of genetic predisposition, adnexal and periorbital status, environmental factors, systemic diseases, and medications (topical and systemic), amongst other predisposing factors. Effective management of this condition therefore demands that treatment be targeted to the specific clinical context. A 2020 study of Canadian glaucoma specialists found that, although 97% identified optimization of ocular surface disease as important for improving patient QOL, only 22.2% felt this was currently being managed adequately in the subspecialty clinic setting. Moreover, although all participants felt comfortable modifying topical hypotensive regimens to improve surface disease, only 61.1% were confident identifying patients who would benefit from topical steroids, and just 30.5% felt knowledgeable regarding the use and dispensation of autologous serum tears, which are increasingly deployed for treatment-resistant OSD in dry-eye practices. There is, therefore, an unmet need for clarity in the treatment algorithm to optimize OSD in glaucoma patients. Here, we discuss the therapeutic approach to these patients and present a suggested algorithm to guide management.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 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 ».