G-ROP versus WINROP for retinopathy of prematurity screening: a Calgary perspective
Notice bibliographique
Résumé
OBJECTIVE: Retinopathy of prematurity (ROP) remains one of the leading causes of childhood blindness. The current screening criteria in Canada have extremely high sensitivity but low specificity, leading to unnecessary examinations of neonates. Moreover, a screening algorithm that reduces the burden of screening is urgently needed owing to the increase in neonatal survival after extreme premature delivery, combined with the limited number of physicians qualified to screen for ROP. This retrospective study aimed to validate and compare the accuracy of the postnatal growth and ROP (G-ROP) and Weight, Insulin-like growth factor-1, Neonatal Retinopathy of Prematurity (WINROP) models for identifying neonates at risk for developing treatment-requiring ROP in a Canadian cohort. DESIGN: Single-center retrospective cohort study conducted in Calgary, Alberta, Canada. Data from preterm infants born between 23- and 31-week gestational age or birth weight less than or equal to 1 250 grams were analyzed. A total of 1 001 infants were included in the study. The sensitivity, specificity, positive predictive value (PPV), and negative predictive value for WINROP, and G-ROP algorithms were assessed in identifying neonates at risk of treatment-requiring ROP. RESULTS: The WINROP algorithm yielded 95.7% sensitivity in identifying infants requiring ROP treatment compared to 100% sensitivity with the G-ROP model. Specificity for treatment-requiring ROP for WINROP was 41.7% and G-ROP was 30.4%. CONCLUSIONS: The G-ROP model was found to be more appropriate in our cohort, lending itself seamlessly to clinical care, while providing 100% sensitivity and greater specificity compared to current screening guidelines in our cohort.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».