Glaucoma knowledge in a black community in Toronto
Notice bibliographique
Résumé
Background: Black people are at high risk of glaucoma. Routine eye exams are the only way of identifying early glaucoma for treatment and blindness prevention. Public education on glaucoma risk factors and detection may be an important public health strategy to encourage those at high risk to have their eyes checked. Purpose: To evaluate glaucoma knowledge (including presentation, risk factors and detection) and associated socio-demographic factors in a black community in Toronto to aid the development of future public education programs. Materials and Methods: Questionnaire surveys from 5 black people centered churches or organizations. Results: The mean age of participants (n=201) was 48.7 years. Most participants reported glaucoma can cause blindness (88.6%) and run in families (76.0%). However, only few participants (4%) correctly reported glaucoma affects peripheral vision. Over 1 in 4 participants (26.7%) reported incorrectly glaucoma always causes eye symptoms. Less than half of the participants knew black people are at higher risk of glaucoma (48.7%) and glaucoma most likely affects people 40 years or older (46.2%). A history of parents or siblings with glaucoma was not associated with better knowledge of three established glaucoma risk factors (40 years or over, African origin and positive family history). Participants 40 years or older did not have greater knowledge than those under 40 that older people are at higher risk of developing glaucoma (prevalence ratio (PR)=0.90, 95% confidence interval (CI) 0.63-1.26). Participants with and without postsecondary education equally reported that eye examinations are the only way to identify glaucoma (PR=1.02, 95% CI 0.72-1.46). Poverty was associated with lower levels of knowledge of the aforementioned three glaucoma risk factors and that glaucoma is identified through eye examinations. Conclusion: Glaucoma knowledge in Toronto’s black community is inadequate. Education about glaucoma presentation, risk factors and detection should be prioritized in this high-risk group.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».