Optimal Timing for Intraocular Pressure Measurement Following Femtosecond Laser-Assisted Cataract Surgery: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Purpose: Femtosecond laser-assisted cataract surgery (FLACS) has increasingly been adopted worldwide. Lagging behind is evidence-based consensus regarding optimal timing for intraocular pressure (IOP) measurement following FLACS. The purpose of this study was to determine if enough evidence currently exists to guide best practice. Methods: A comprehensive literature search was performed on MEDLINE and EMBASE until February 6th, 2023. Articles reporting IOP measurements following uncomplicated FLACS were screened. For change in IOP at various post-operative timepoints, standardized mean difference (SMD) was calculated as the mean difference in IOP from baseline. Risk of Bias Assessment was conducted following data extraction. Results: The meta-analysis incorporated six randomized clinical studies involving a total of 1356 eyes from 1032 participants. Post-operative day one was the only timepoint with a non-significant increase in IOP (SMD = -0.08 [95% CI: -0.41 to +0.24]) compared to the 7-days, 30-days, 60 to 90-days, and 180-days follow-up periods. All studies except one utilized an ophthalmic viscosurgical device (OVD) in their procedure; this was the only publication that reported a decrease in IOP from baseline within the 1-day follow-up period. Conclusion: The results suggest that the optimal time to measure IOP is within the first 24 hours after FLACS. However, these findings are limited by a small study sample. Future prospective clinical trials may be beneficial to determine if specific timepoints within the first 24 hours exist to optimize outcomes and patient reported experiences.
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 | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,025 | 0,017 |
| Bibliométrie | 0,000 | 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».