Bibliographic record
Abstract
WPROWADZENIEJaskra to neuropatia nerwu wzrokowego o etiologii wieloczynnikowej, polegająca na zwyrodnieniu komórek zwojowych i ich aksonów, które skutkuje uszkodzeniem nerwu wzrokowego oraz ubytkami w polu widzenia [1].Jaskra występuje wśród osób w wieku 40-80 lat z częstotliwością około 3,4% i jest najczęstszą przyczyną nieodwracalnej ślepoty na świecie.Obecnie około 76 milionów pacjentów choruje na jaskrę, a do roku 2040 przewiduje się, że będzie to około 112 milionów [2].Ze względu na znaczący wzrost zachorowalności, nie do końca poznany złożony patomechanizm oraz bezobjawowy początek jaskra jest nadal wyzwaniem dla medycyny.W walce ze ślepotą związaną z jaskrą niezbędne są skuteczne narzędzia do wczesnego wykrycia choroby na jeszcze wczesnym i bezobjawowym etapie, jak również efektywne metody monitoringu przebiegu choroby.W tym artykule przedstawiono najnowsze osiągnięcia w rozwoju technologii pozwalające na diagnostykę jaskry, w tym badania obrazowe, funkcjonalne, tonometrię oraz sztuczną inteligencję. STRESZCZENIEJaskra jest główną przyczyną nieodwracalnej ślepoty na świecie.Charakteryzuje się postępującą utratą komórek zwojowych siatkówki i ich aksonów.Jaskra zwykle staje się objawowa dopiero w stadium zaawansowanym.Dlatego głównym wyzwaniem w zapobieganiu utracie wzroku jest wykrycie choroby, zanim stanie się ona objawowa.W niniejszym artykule dokonano przeglądu ostatnich osiągnięć w rozwoju nowych technologii wykrywania i monitorowania jaskry.Przegląd obejmuje najbardziej obiecujące odkrycia w zakresie tonometrii, obrazowania siatkówki, perymetrii
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.035 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.006 | 0.007 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.006 | 0.011 |
| Insufficient payload (model declined to judge) | 0.044 | 0.026 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".