Efficacy of Corneal Neurotization Surgery in Eyes With Neurotrophic Keratopathy
Notice bibliographique
Résumé
PURPOSE: Corneal neurotization (CN) restores innervation to anesthetic corneas, often caused by neurotrophic keratopathy (NK), using healthy donor nerves or grafts. Despite promising outcomes, its efficacy remains unclear. We conducted a meta-analysis to assess the efficacy of CN in eyes with NK and its influence on postoperative outcomes. METHODS: We systematically searched PubMed, EMBASE, and Cochrane. We calculated mean differences (MDs) with 95% confidence intervals (CIs) for continuous outcomes, following PRISMA guidelines. We used the R software for statistical analysis. RESULTS: We included 17 studies (232 eyes; mean follow-up: 19.07 ± 7.45 months). CN improved best-corrected visual acuity (MD: -0.44; 95% CI: -0.66 to -0.21; P < 0.01; I2 = 88.7%), CS (MD: 32.42 mm; 95% CI: 27.45 to 37.38; P < 0.001), corneal nerve fiber density (MD: 12.15 n/mm 2 ; 95% CI: 5.09 to 19.20; P < 0.001), corneal nerve branch density (MD: 18.88 n/mm 2 ; 95% CI: 8.89 to 28.87; P < 0.001), and corneal nerve fiber length (MD: 9.40 mm/mm 2 ; 95% CI: 6.31 to 12.50; P < 0.001) and corneal nerve total branch density (MD: 25.48 n/mm 2 ; 95% CI: 14.09 to 36.87; P < 0.001). CN also reduced Mackie scores (MD: -1.20; 95% CI: -1.42 to -0.99; P < 0.001). CONCLUSIONS: CN enhances both corneal function and innervation. These findings support CN as a promising and effective approach for restoring corneal function in NK.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,015 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».