Clinical applications of optical coherence tomography (OCT) in glaucoma
Notice bibliographique
Résumé
Visual field (VF) testing has been the mainstay for diagnosing and monitoring glaucoma. However, relying solely on VF can delay the patient’s diagnosis in the early stages of the disease, as the structural changes are known to precede the functional changes and VF defects may not be clinically detectable until at least 25-35% of retinal ganglion cells (RGCs) are lost. This concept highlights the importance of alternative diagnostic modalities such as optical coherence tomography (OCT). OCT’s ability to reliably segregate and quantify the thickness of retinal layers has allowed earlier detection of glaucoma, up to 6 years before the onset of any detectable VF loss. Compared to VF, OCT is less time-consuming and is less dependent on the patient’s cooperation and test-taking ability. There are a few commercially available spectral domain OCT (SD-OCT) machines that are routinely used in glaucoma clinics. These devices are fundamentally similar with comparable performance, but their scanning protocols and segmentation algorithms are not analogous; thus, the measured parameters may not necessarily be interchangeable between devices and the values should be interpreted relative to the normative databases specific to each machine. In this review, we present the clinical applications of OCT imaging in glaucoma and share some clinical pearls and pitfalls.
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 | 0,001 |
| 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) | 0,001 | 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 ».