The Current Burden and Future Solutions for Preoperative Cataract-Refractive Evaluation Diagnostic Devices: A Modified Delphi Study
Notice bibliographique
Résumé
Purpose: To obtain consensus on the key areas of burden associated with existing devices and to understand the requirements for a comprehensive next-generation diagnostic device to be able to solve current challenges and provide more accurate prediction of intraocular lens (IOL) power and presbyopia correction IOL success. Patients and Methods: Thirteen expert refractive cataract surgeons including three steering committee (SC) members constituted the voting panel. Three rounds of voting included a Round 1 structured electronic questionnaire, Round 2 virtual face-to-face meeting, and Round 3 electronic questionnaire to obtain consensus on topics related to current limitations and future solutions for preoperative cataract-refractive diagnostic devices. Results: Forty statements reached consensus including current limitations (n = 17) and potential solutions (n = 23) associated with preoperative diagnostic devices. Consistent with existing evidence, the panel reported unmet needs in measurement accuracy and validation, IOL power prediction, workflow, training, and surgical planning. A device that facilitates more accurate corneal measurement, effective IOL power prediction formulas for atypical eyes, simplified staff training, and improved decision-making process for surgeons regarding IOL selection is expected to help alleviate current burdens. Conclusion: Using a modified Delphi process, consensus was achieved on key unmet needs of existing preoperative diagnostic devices and requirements for a comprehensive next-generation device to provide better objective and subjective outcomes for surgeons, technicians, and patients.
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 | 0,003 | 0,008 |
| 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 | 0,001 | 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 ».