Lessons Learned: Quality Analysis of Optical Coherence Tomography in Neuromyelitis Optica
Notice bibliographique
Résumé
INTRODUCTION: Optical coherence tomography (OCT)-derived retina measurements are markers for neuroaxonal visual pathway status. High-quality OCT scans are essential for reliable measurements, but their acquisition is particularly challenging in eyes with severe visual impairment, as often observed in neuromyelitis optica spectrum disorders (NMOSD). OBJECTIVE: To investigate OCT quality issues in real-world data from the international Collaborative Retrospective Study on Retinal OCT in Neuromyelitis Optica (CROCTINO). METHODS: We evaluated the quality of peripapillary and macular OCT scans, using Heidelberg Spectralis SD-OCT, Carl Zeiss Cirrus HD-OCT, or Topcon SD-OCT across 22 centers. Experienced graders applied OSCAR-IB criteria for OCT quality. Eyes were classified as severely visually impaired or not based on a 1.0 logMAR cut-off. Quality outcomes were compared using the Chi-square test. RESULTS: A total of 3075 OCT scans (1630 peripapillary, 1445 macular) from 539 people with NMOSD and related conditions were evaluated. Macular scans were rejected more often than peripapillary scans due to quality issues (20.1% vs. 14.5%, p < 0.001). Rejection rates were higher in eyes with severe visual impairment (peripapillary: 28.9%, macular: 41.6%) compared to eyes without severe visual impairment (peripapillary: 10.7%, p < 0.001; macular: 14.6%, p < 0.001). CONCLUSION: Our study revealed that approximately one in six scans was rejected due to low quality, with higher rejection rates in eyes with severe visual impairment. As scan quality can bias quantitative outcomes and artificial intelligence applications, these findings emphasize the unmet need for standardized OCT practices tailored to NMOSD and other conditions involving severe visual impairment.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».