Circular statistics for analyzing changes in retinal nerve fiber layer
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the use of circular statistics to analyze retinal nerve fibre layer (RNFL) thickness in eyes with and without a prior history of optic neuritis (ON). DESIGN: Single-centre consecutive study. PARTICIPANTS: Twenty-two multiple sclerosis patients and 20 healthy control subjects. METHODS: Data on 28 eyes with a history of ON of 22 multiple sclerosis patients and 40 eyes of 20 healthy control subjects collected in 2010 and 2015. RNFL thickness was measured separately in 12 sectors around the optic nerve head. We used circular statistics to calculate the mean weighted vector of RNFL thickness for each sector and eye in 2 measurements made 5 years apart (2010 and 2015). Comparisons of weighted mean vectors between groups were made using a paired Mardia-Watson-Wheeler test. RESULTS: The directions of the mean weighted vectors for ON eyes were 45.8º in 2010 and 56.0º in 2015, whereas in control eyes the directions were 319.4º in 2010 and 188.9º in 2015. No significant differences were found between 2010 and 2015 in any of the 2 groups. However, significant differences were found between ON and control eyes in 2010 and 2015. CONCLUSIONS: This paper provides an example of how to use circular statistics in cases of directional data in ophthalmology and demonstrates that circular statistics are a suitable tool for this purpose.
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 | 0,015 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».