Notice bibliographique
Résumé
WPROWADZENIEJaskra to neuropatia nerwu wzrokowego o etiologii wieloczynnikowej, polegająca na zwyrodnieniu komórek zwojowych i ich aksonów, które skutkuje uszkodzeniem nerwu wzrokowego oraz ubytkami w polu widzenia [1].Jaskra występuje wśród osób w wieku 40-80 lat z częstotliwością około 3,4% i jest najczęstszą przyczyną nieodwracalnej ślepoty na świecie.Obecnie około 76 milionów pacjentów choruje na jaskrę, a do roku 2040 przewiduje się, że będzie to około 112 milionów [2].Ze względu na znaczący wzrost zachorowalności, nie do końca poznany złożony patomechanizm oraz bezobjawowy początek jaskra jest nadal wyzwaniem dla medycyny.W walce ze ślepotą związaną z jaskrą niezbędne są skuteczne narzędzia do wczesnego wykrycia choroby na jeszcze wczesnym i bezobjawowym etapie, jak również efektywne metody monitoringu przebiegu choroby.W tym artykule przedstawiono najnowsze osiągnięcia w rozwoju technologii pozwalające na diagnostykę jaskry, w tym badania obrazowe, funkcjonalne, tonometrię oraz sztuczną inteligencję. STRESZCZENIEJaskra jest główną przyczyną nieodwracalnej ślepoty na świecie.Charakteryzuje się postępującą utratą komórek zwojowych siatkówki i ich aksonów.Jaskra zwykle staje się objawowa dopiero w stadium zaawansowanym.Dlatego głównym wyzwaniem w zapobieganiu utracie wzroku jest wykrycie choroby, zanim stanie się ona objawowa.W niniejszym artykule dokonano przeglądu ostatnich osiągnięć w rozwoju nowych technologii wykrywania i monitorowania jaskry.Przegląd obejmuje najbardziej obiecujące odkrycia w zakresie tonometrii, obrazowania siatkówki, perymetrii
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,044 | 0,026 |
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 source (Gemma direct ou Codex distillé), 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 ».