A Cross-Sectional Survey of Optometrists in Canada Regarding Referral Patterns and a Needs Assessment for an Artificial Intelligence Referral Screening Tool for Epiretinal Membrane
Notice bibliographique
Résumé
Background and Objective This study evaluated optometrists' referral patterns for epiretinal membrane (ERM) patients in Ontario, Canada, and their attitudes towards an artificial intelligence (AI) tool for improving referral accuracy. An anonymous online survey with 11 questions was conducted. Patients and Methods The survey targeted optometrists across Ontario, Canada. The survey aimed to understand optometrists' reasons for referring ERM patients to retina specialists, their expectations of the specialists' management, and their openness to using an AI tool for triage. To prevent bias, the survey described an AI tool as an online consultation feature limited to predefined questions without directly mentioning “AI.” The main objective was to assess if this AI tool could decrease unnecessary ERM referrals to retina specialists. Results A total of 135 optometrists participated. They reported seeing an average of eight ERM cases monthly, referring every fourth case to a specialist. The primary referral reason (84.3%) was to evaluate for surgery. In terms of referral confidence, 34.3% felt fully confident (5/5), and 47.8% slightly less so (4/5). They anticipated that 20% of patients would have a change in management post-consultation with a specialist. When introduced to the concept of an online consultation tool for patient screening, optometrists believed it could reduce their ERM referrals by 40%. Conclusions Optometrists often refer ERM patients to retina specialists. An AI tool for screening ERM referrals, based on presenting vision and OCT images, could significantly lower the number of unnecessary referrals, offering clinical guidance to optometrists. [ Ophthalmic Surg Lasers Imaging Retina 2025;56:166–169.]
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 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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».