When to declare an endophthalmitis outbreak: Poisson model of postcataract surgery endophthalmitis outbreak projections
Notice bibliographique
Résumé
PURPOSE: To create an accessible, online tool that determines the likelihood of an endophthalmitis outbreak. SETTING: Surgical centers that perform cataract surgeries. DESIGN: Mathematical modelling study. METHODS: The global risk of acute postoperative endophthalmitis (POE), defined as occurring within 6 weeks after standalone cataract surgery, was determined from a systematic review. An online tool was then created using the Poisson model to determine the likelihood of a POE outbreak. The model used the number of cataract surgeries performed, time, and the number of POE cases observed. Significance was defined as P < .05, P < .01, or P < .001. RESULTS: From the 25 included studies, the mean standard risk of POE after standalone cataract surgery was 0.0692% (range: 0.0189% to 0.102%). The model demonstrated that for a center that performs 1000 cataract surgeries in a month, the probability of at least 1 POE case occurring in a month is not statistically significant ( P = .461, P > .05), and therefore, an outbreak is unlikely. By contrast, the probability of at least 3 POE cases occurring in a month at this center is statistically significant ( P < .05), and thus, has moderate evidence for an outbreak with 95% confidence. CONCLUSIONS: The Poisson model represents an evidence-based way to determine whether the number of POE cases is within expectations for the number of cataract operations performed over a period. This online tool provides ophthalmologists and public health agencies with helpful data to guide POE outbreak declaration decisions.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».