Variability of scan quality and perfusion density in longitudinal optical coherence tomography angiography imaging
Notice bibliographique
Résumé
BACKGROUND/AIMS: Optical coherence tomography angiography (OCT-A) images are subject to variability, but the extent to which learning impacts OCT-A measurements is unknown. We determined whether there is a learning effect in glaucoma patients and healthy controls imaged with OCT-A. METHODS: Ninety-one open-angle glaucoma patients and 54 healthy controls were imaged every 4 months over a period of approximately 1 year in this longitudinal cohort study. We analysed 15°×15° scans, centred on the fovea, in one eye of each participant. Two-dimensional projection images for the superficial, intermediate and deep vascular plexuses were exported and binarised after which perfusion density was calculated. Linear mixed-effects models were used to investigate the association between perfusion density and follow-up time. RESULTS: The mean (SD) age of glaucoma patients and healthy controls was 67.3 (8.1) years and 62.1 (9.0) years, respectively. There was a significant correlation between perfusion density and scan quality in both glaucoma patients (r=0.50 (95% CI 0.42 to 0.58); p<0.05) and healthy controls (r=0.41 (95% CI 0.29 to 0.52); p<0.05). An increase in perfusion density occurred over time and persisted, even after adjustment for scan quality (1.75% per year (95% CI 1.14 to 2.37), p<0.01). CONCLUSIONS: Perfusion density measurements are subject to increasing experience of either the operator or participant, or a combination of both. These findings have implications for the interpretation of longitudinal measurements with OCT-A.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».