Pediatric Ocular Surface Inflammatory Diseases: Clinical Features and Practice Patterns
Notice bibliographique
Résumé
PURPOSE: To characterize nationwide real-world practice patterns and complications of pediatric ocular surface inflammatory diseases (POSID) using a large US health insurance claims database. METHODS: This retrospective cohort study analyzed patients younger than 18 years diagnosed with POSID in the Optum Labs Data Warehouse between 2018 and 2019. Blepharokeratoconjunctivitis (BKC), herpes simplex keratoconjunctivitis (HSK), and vernal keratoconjunctivitis (VKC) were identified by ICD codes. Clinical data from 6 months before to 3 years after the index visit were assessed. Multivariate logistic regression identified risk factors for amblyopia. RESULTS: Among 6116 children (67.1% aged 5-15 years; 56.6% male), HSK showed the highest baseline rates of corneal scarring (7.5%) and ulceration (5.5%), compared with BKC (2.3%, 2.7%) and VKC (1.1%, 0.9%) (P < 0.001). High-potency topical corticosteroids were more frequently prescribed for BKC (17.8%) than HSK (15.0%) or VKC (14.2%) (P = 0.02), while topical immunomodulators were used in only 1.7% of cases despite recommendations. Amblyopia prevalence rose from 2.5% to 4.5% over 3 years, with stromal scarring at diagnosis (odds ratio 2.43, 95% confidence interval 1.40-4.24) and high-potency corticosteroid use (odds ratio 1.60, 95% confidence interval 1.17-2.18) as independent risk factors. CONCLUSIONS: POSID subtypes exhibit distinct clinical features, significant differences in management, and progressive complications over time. Nationwide patterns show over-reliance on corticosteroids, underuse of immunomodulators, and gaps between guideline recommendations and practice, underscoring the need for earlier recognition, steroid-sparing therapy, and sustained inflammation control.
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 | 0,001 |
| 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 ».