Diagnostic Yield of Corneal, Contact Lens, and Lens Fluid Cultures in Microbial Keratitis: A 12-Year Single-Center Study
Notice bibliographique
Résumé
PURPOSE: To determine the yield of culturing contact lenses (CL) and contact lens fluid/cases (CLF) to isolate recognized pathogens in suspected microbial keratitis (MK). METHODS: Data from 4298 ocular samples of MK collected at the Royal Liverpool University Hospital between January 2012 and December 2023 were reviewed. The isolation rates and proportion of recognized pathogens were compared between corneal impression membranes (CIM) and scrapes (CS), CL, and CLF. Chi-square tests and mixed-effects logistic models were used to assess differences in distribution among all isolates and subgroups of samples. RESULTS: The overall isolation rate was 54.1%, with CL having the highest rate ([348/466], 74.7%), followed by CIM ([1822/2940], 62%), CS ([126/566], 22.3%), and CLF ([23/317], 7.3%). CLF, however, had the highest proportion of recognized pathogens ([22/28], 78.6%), followed by CL ([269/531], 50.7%), CS ([71/142], 50%), and CIM ([728/2218], 32.8%). CIM and CS predominantly detected Gram-positive bacteria, whereas CLF had the highest rates of Acanthamoeba ([13/28], 46.4%) and fungal isolates ([4/28], 14.3%). CL and/or CLF cultures led to altered treatment in 10.5% of cases. CONCLUSIONS: In suspected MK, culturing the CLF and CL can increase the probability of detecting a recognized pathogen that in turn may help guide treatment.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».