Distorsión luminosa nocturna después de cirugía refractiva LASIK: influencia de las aberraciones monocromáticas de alto orden y de los algoritmos de ablación
Bibliographic record
Abstract
El uso de la cirugía refractiva queratomileusis in situ asistida por láser (acrónimo sajón LASIK) como \ntratamiento para reducir la miopía, ha experimentado un crecimiento notable en los últimos años. La \nliteratura al respecto es bastante amplia y pone de manifiesto las virtudes y los defectos asociados a la misma. \nEn este sentido, se ha encontrado que un porcentaje significativo de pacientes manifiestan alteraciones \nen la visión nocturna tras la cirugía. Una de las alteraciones más relatadas es la degradación de la imagen \nen forma de halo o estrella (starbust), Sobre esta alteración, llamada distorsión luminosa nocturna, versará \nesta tesis. En primer lugar, se desarrollará un hardware y un software especifico para detectar y cuantificar \ndichas alteraciones mediante un índice denominado de distorsión luminosa. Posteriormente, se estudiará la \ninfluencia que, sobre este índice, tienen las distintas aberraciones monocromáticas corneales de alto orden y \nlos diferentes algoritmos de ablación utilizados por las plataformas láser. El análisis incluirá tanto la visión \nmonocular como la binocular con el fin de determinar el efecto que sobre la sumación binocular tienen \nestas distorsiones luminosas. La repercusión que determinadas lentes de contacto tienen sobre dicho índice \ntambién será analizada.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".