Effective refractive error coverage in adults aged 50 years and older: estimates from population-based surveys in 61 countries
Notice bibliographique
Résumé
In 2021, WHO Member States endorsed a global target of a 40-percentage-point increase in effective refractive error coverage (eREC; with a 6/12 visual acuity threshold) by 2030. This study models global and regional estimates of eREC as a baseline for the WHO initiative.The Vision Loss Expert Group analysed data from 565 448 participants of 169 population-based eye surveys conducted since 2000 to calculate eREC (met need/[met need + undermet need + unmet need]). A binary logistic regression model was used to estimate eREC by Global Burden of Disease (GBD) Study super region among adults aged 50 years and older.In 2021, distance eREC was 79·1% (95% CI 72·4-85·0) in the high-income super region; 62·1% (54·7-68·8) in north Africa and Middle East; 49·5% (45·0-54·0) in central Europe, eastern Europe, and central Asia; 40·0% (31·7-48·2) in southeast Asia, east Asia, and Oceania; 34·5% (29·4-40·0) in Latin America and the Caribbean; 9·0% (6·5-12·0) in south Asia; and 5·7% (3·1-9·0) in sub-Saharan Africa. eREC was higher in men and reduced with increasing age. Global distance eREC increased from 2000 to 2021 by 19·0%. Global near vision eREC for 2021 was 20·5% (95% CI 17·8-24·4).Over the past 20 years, distance eREC has increased in each super region yet the WHO target will require substantial improvements in quantity and quality of refractive services in particular for near vision impairment.WHO, Sightsavers, The Fred Hollows Foundation, Fondation Thea, Brien Holden Vision Institute, Lions Clubs International Foundation.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».