Diagnosing glaucoma in primary eye care and the role of Artificial Intelligence applications for reducing the prevalence of undetected glaucoma in Australia
Notice bibliographique
Résumé
Glaucoma is the commonest cause of irreversible blindness worldwide, with over 70% of people affected remaining undiagnosed. Early detection is crucial for halting progressive visual impairment in glaucoma patients, as there is no cure available. This narrative review aims to: identify reasons for the significant under-diagnosis of glaucoma globally, particularly in Australia, elucidate the role of primary healthcare in glaucoma diagnosis using Australian healthcare as an example, and discuss how recent advances in artificial intelligence (AI) can be implemented to improve diagnostic outcomes. Glaucoma is a prevalent disease in ageing populations and can have improved visual outcomes through appropriate treatment, making it essential for general medical practice. In countries such as Australia, New Zealand, Canada, USA, and the UK, optometrists serve as the gatekeepers for primary eye care, and glaucoma detection often falls on their shoulders. However, there is significant variation in the capacity for glaucoma diagnosis among eye professionals. Automation with Artificial Intelligence (AI) analysis of optic nerve photos can help optometrists identify high-risk changes and mitigate the challenges of image interpretation rapidly and consistently. Despite its potential, there are significant barriers and challenges to address before AI can be deployed in primary healthcare settings, including external validation, high quality real-world implementation, protection of privacy and cybersecurity, and medico-legal implications. Overall, the incorporation of AI technology in primary healthcare has the potential to reduce the global prevalence of undiagnosed glaucoma cases by improving diagnostic accuracy and efficiency.
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 | 0,008 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».