Estudi de la predicció del descentrament del tractament ortoqueratològic en funció del mapa topogràfic d'elevació pre-ortoqueratologia
Bibliographic record
Abstract
Objectiu: Investigar les causes del descentrament de la lent d'ortoqueratologia (orto-k) i l'associació amb els paràmetres topogràfics corneals previs al tractament. Fer la recerca bibliogràfica sobre els articles que han fet estudis concretament sobre les causes del descentrament de la lent. Metodologia: Per realitzar el treball s’ha fet una recerca bibliogràfica en bases de dades, principalment a PubMed, Sciencedirect i Web of Science. S’han buscat els articles sobre les causes del descentrament de la lent d’ortoqueratologia. Només s’han trobat 7 articles, s’ha mirat el procediment de mesurar el grau i direcció del descentrament en cada article. S’ha trobat la relació entre el descentrament i els paràmetres corneals que poden influir en aquest procés. Resultats: A tots els articles van calcular el descentrament de la mateixa manera, comparant el mapa diferencial d'elevació de la còrnia pre i post ortoqueratologia. En tots els estudis, el descentrament més trobat va ser cap al quadrant inferotemporal de la còrnia. Les causes més influents van ser l’alta toricitat corneal, l’asfericitat corneal (Q), l’alta magnitud de l’error refractiu i l’asimetria corneal. Conclusions: El descentrament de la lent és un fenomen comú de l'ortoqueratologia, que passa principalment cap al quadrant inferotemporal de la còrnia i a la majoria dels casos és moderada i acceptable. La magnitud i la direcció d’aquest descentrament de la lent es poden predir pel mapa d'elevació i pels paràmetres topogràfics de la còrnia.
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 | 0.008 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".