Quantification of intermittent retinal capillary perfusion in retinal vein occlusion and proliferative diabetic retinopathy
Notice bibliographique
Résumé
OBJECTIVE: To detect and quantify intermittent capillary perfusion using optical coherence tomography angiography (OCTA) in patients with branch retinal vein occlusion (BRVO), central retinal vein occlusion (CRVO), proliferative diabetic retinopathy (PDR), and healthy control eyes. METHODS: OCTA images were acquired from patients with BRVO(n = 9), CRVO(n = 8), PDR(n = 8) and healthy controls(n = 10). Five 6 × 6 mm scans were registered and averaged at baseline (T0) and thirty minutes after (T30) into single en-face images of the superficial and deep vascular complexes (SVC and DVC). Pixels were labeled as vessel or non-vessel using a previously published machine learning model. Loss of Perfusion (LoP) was defined as the percentage of vessel pixels present in T0 image that disappeared at T30, and Gain of Perfusion (GoP) was defined as the percentage of vessel pixels that appeared in T30 image. The amount of intermittent capillary perfusion was the sum of GoPLoP. RESULTS: Patients with PDR, CRVO and BRVO showed significantly higher GoPLoP values than controls in both the macular and temporal regions. The temporal region generally exhibited significantly greater GoPLoP values than the macular region. Layer analysis indicated a significantly higher GoPLoP within the DVC compared to the SVC. There was a significant negative correlation between perfusion density and perfusion variability. CONCLUSION: Our results demonstrate higher GoPLoP in BRVO, CRVO, and PDR patients compared to controls. This measure may be utilized as a novel biomarker of tissue hypoxia. Further studies are necessary to better elucidate the role of GoPLoP in monitoring disease progression and treatment efficacy of retinal vascular diseases.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».