Global Incidence and Prevalence of Keratoconus: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
PURPOSE: To estimate global incidence and prevalence trends of keratoconus (KC). METHODS: A systematic review and meta-analysis was conducted using MedLine, Embase, and Scopus databases up to January 2024, including all age groups, sexes, and geographic regions. Pooled incidence and prevalence were estimated using random-effects models, with heterogeneity assessed by χ2 and I2 statistics. RESULTS: This study included 55 studies (53 in meta-analysis). Pooled KC prevalence was 289.1 per 100,000 persons [95% confidence interval (CI) 124.2-671.1] or 0.24% of the population. The pooled incidence was 4.0 per 100,000 person-years (95% CI 2.5-6.3). Males had higher odds of KC compared with females (odds ratio 1.10; 95% CI 1.07-1.13). The 20 to 29 age group had the highest prevalence (525.5 per 100,000 persons; 95% CI 92.6-2822.6) and incidence (20.8 per 100,000 persons-years; 95% CI 12.7-24.1). Prevalence was highest in Africa (2414.2 per 100,000 persons; 95% CI 110.1-1421.5). Prevalence estimates varied significantly across Asian subregions, with lowest prevalence observed in East Asia (12.7 per 100,000 persons; 95% CI 2.81-57.0) and substantially higher rates in West (682.0 per 100,000 persons; 95% CI 141.8-3213.1) and South Asia (1374.5 per 100,000 persons; 95% CI 537.2-3471.5). Prevalence and incidence increased over time, with highest prevalence post-2020 (1155.2 per 100,000 persons; 95% CI 32.4-29682.7) and highest incidence in 2015 to 2019 (15.23 per 100,000 person-years; 95% CI, 8.5-27.3). CONCLUSIONS: Over 23.7 million individuals globally are affected by KC, highlighting an increasing global burden of KC and emphasizing the need for further research into temporal and regional patterns to inform public health strategies and optimize patient care.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,002 |
| 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 | 0,000 | 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 ».