MétaCan
Menu
Retour à la cohorte
Enregistrement W4384447375 · doi:10.1136/bmjophth-2023-001310

Intravitreal anti-vascular endothelial growth factor for the treatment of chronic central serous retinopathy: a meta-analysis of the literature

2023· review· en· W4384447375 sur OpenAlexaff
Mathew M. Palakkamanil, Monique Munro, Abhishek Sethi, Feisal A. Adatia

Notice bibliographique

RevueBMJ Open Ophthalmology · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueRetinal Diseases and Treatments
Établissements canadiensUniversity of CalgaryUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMedicineOphthalmologyRanibizumabVisual acuitySerous fluidMeta-analysisAfliberceptVascular endothelial growth factorInternal medicineVEGF receptorsBevacizumabChemotherapy

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: The purpose of this study was to evaluate the role of anti-vascular endothelial growth factor (anti-VEGF) treatment on the functional and structural parameters of chronic central serous retinopathy (CSR). METHODS: PubMed was used to systematically review literature published from 1 January 2009 to 1 July 2022. Studies were included if patients in their cohort had symptoms for more than 3 months, anti-VEGF treatment was provided and the following outcomes were reported: best-corrected visual acuity (BCVA), central macular thickness (CMT) and proportion of subretinal fluid (SRF) resolution. RESULTS: 339 eyes met inclusion criteria with a mean patient age of 45.8±4.9 years. The weighted mean baseline BCVA for the 20 studies was 0.39±0.23 logMAR, which improved to 0.28±0.24 after treatment with anti-VEGF injections (p=0.069). The weighted baseline CMT for the 20 studies decreased from 395.2±52.0 µm to 243.0±41.9 µm (p<0.001). The weighted overall percentage of SRF resolution was 68.4%. CONCLUSION: Anti-VEGF treatment demonstrated significantly decreased macular thickness and resolution of SRF in the treatment of chronic CSR without any reported adverse effects. However, BCVA did not significantly improve with pharmacotherapy.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,017
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0100,020
Bibliométrie0,0040,005
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,201
Tête enseignante GPT0,451
Écart entre enseignants0,251 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMJ Open OphthalmologyMême sujetRetinal Diseases and TreatmentsTravaux en français237 207