Clinical practice patterns in the management of dry eye disease: A TFOS international survey 2023-24
Notice bibliographique
Résumé
AIMS: To understand current clinical management of dry eye disease (DED), based on its perceived severity and subtype, by practitioners across the world. METHODS: The content of the anonymous survey was chosen to reflect the DED management strategies reported by the Tear Film and Ocular Surface Society (TFOS) second Dry Eye Workshop (DEWS II). Questions were designed to ascertain practitioner treatment choice, depending on the subtype and severity of DED. It was first created in English and then translated/back-translated into 14 languages for online completion. RESULTS: Completed surveys were received from 905 eye care practitioners (52 % optometrists and 42 % ophthalmologists) from across the globe. Many treatment strategies for DED were observed to be utilised by respondents, independent of severity and subtype, the most common being advice (82 %), low (82 %) and high (81 %) viscosity unpreserved lubricants and lid wipes/scrubs (79 %). Several treatments were prescribed across all severity levels (scaled from 1 mild to 10 severe), such as advice (median 4.5, range 4.8), artificial tears (median 5.1, range 4.6) and nutritional supplements (median 5.3, range 4.2). Others were prescribed more frequently with increasing disease severity, for instance, biologics (median 8.2, range 2.8) and surgical approaches (median 8.1, range 2.2). While a similar number of practitioners reported prescribing advice, artificial tears and anti-inflammatories regardless of DED subtype, the commonly reported approaches for aqueous deficient DED were punctal occlusion, therapeutic contact lenses and secretagogues, while the use of oral essential fatty acids, topical lipid-containing products, lid hygiene and lid warming were the preferred management choices for evaporative DED. CONCLUSIONS: There remains great variability in clinical approaches to DED management and until research-evidence definitively informs improved guidance, data from this survey may be useful for clinicians to benchmark their practice.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».