The Better Operative Outcomes Software Tool (BOOST) Prospective Study: Improving the Quality of Cataract Surgery Outcomes in Low-Resource Settings
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Post-operative vision impairment is common among patients who have undergone cataract surgery in low-resource settings, impacting quality of clinical outcomes and patient experience. This prospective, multisite, single-armed, pragmatic validation study aimed to assess whether receiving tailored recommendations via the free Better Operative Outcomes Software Tool (BOOST) app improved surgical outcomes, as quantified by post-operative unaided distance visual acuity (UVA) measured 1–3 days after surgery.Methods During the baseline data collection round, surgeons in low and middle-income countries recorded clinical characteristics of 60 consecutive cataract cases in BOOST. Additional data on the causes of poor outcomes from 20 consecutive cases with post-operative UVA of <6/60 (4–12 weeks post-surgery) were entered to automatically generate tailored recommendations for improvement, before 60 additional consecutive cases were recorded during the follow-up study round. Average UVA was compared between cases recorded in the baseline study round and those recorded during follow-up.Results Among 4,233 cataract surgeries performed by 41 surgeons in 18 countries, only 2,002 (47.3%) had post-operative UVA 6/12 or better. Among the 14 surgeons (34.1%) who completed both rounds of the study (1,680 cases total), there was no clinically significant improvement in post-operative average UVA (logMAR units ±SD) between baseline (0.50 ± 0.37) and follow-up (0.47 ± 0.36) rounds (mean improvement 0.03, p = 0.486).Conclusions Receiving BOOST-generated recommendations did not result in improved UVA beyond what could be expected from prospective monitoring of surgical outcomes alone. Additional research is required to assess whether targeted support to implement changes could potentiate the uptake of app-generated recommendations and improve outcomes.
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.
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 | 0,013 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 découle