Video Experimental Relacionado
Updated: May 11, 2026
Evaluation of Capillary and Other Vessel Contribution to Macular Perfusion Density Measured with Optical Coherence Tomography Angiography
Published on: February 18, 2022
Predicción basada en el aprendizaje automático del edema macular diabético persistente utilizando biomarcadores
Guangping Gao1, Yuxi Chen2, Xiaoliang Zhang1
1Department of Ophthalmology, The First Affiliated Hospital of Naval Medical University (Changhai Hospital), Naval Medical University, 168 Changhai Road, Yangpu District, Shanghai, China.
Los modelos de aprendizaje automático que integran los biomarcadores de la tomografía de coherencia óptica (OCT) y los datos clínicos pueden predecir el edema macular diabético persistente (EMD) después de la terapia anti-VEGF. Los predictores clave incluyen la duración de la diabetes, la zona elipsoide / alteración de la membrana limítrofe externa y focos hiperreflectivos.
Área de la Ciencia:
- Oftalmología Oftalmología.
- Imágenes médicas de imágenes médicas.
- La inteligencia artificial es inteligencia artificial.
Sus antecedentes:
- El edema macular diabético persistente (EMD) es una de las principales causas de pérdida de visión en la retinopatía diabética, que a menudo no responde al tratamiento anti-VEGF.
- Aproximadamente el 30-40% de los pacientes muestran una respuesta pobre al tratamiento anti-VEGF estándar, lo que lleva a un aumento de la carga de la enfermedad.
- La identificación temprana de pacientes de alto riesgo es crucial para optimizar las estrategias de tratamiento y minimizar las intervenciones.
Objetivo del estudio:
- Desarrollar y comparar modelos de aprendizaje automático para predecir EMD persistente.
- Integrar los biomarcadores derivados de la tomografía de coherencia óptica (OCT) con las características clínicas para una mejor predicción.
- Para identificar los principales predictores de EMD persistente después de la terapia anti-VEGF.
Principales métodos:
- Análisis retrospectivo de 339 pacientes con EMD tratados con inyecciones de anti-VEGF.
- Construcción y comparación de ocho modelos predictivos (regresión logística, LASSO, XGBoost, bosque aleatorio, SVM) utilizando datos clínicos y de TCO de referencia.
- Evaluación del rendimiento del modelo utilizando AUC, exactitud, precisión, recuerdo, puntuación F1, prueba de DeLong, DCA y valores SHAP.
Principales resultados:
- Los modelos multimodales que integran biomarcadores y características clínicas de los PTU superaron a los modelos de una sola modalidad.
- Los modelos de Máquina de Vectores de Soporte (SVM), XGBoost y Bosque Aleatorio (RF) demostraron una alta precisión predictiva (AUCs 0.865, 0.819, 0.812).
- El análisis SHAP identificó la duración de la diabetes, la zona elípsoide (EZ) / la disrupción de la membrana limitante externa (ELM) y los focos hiperreflectivos (HF) como predictores significativos.
Conclusiones:
- Los modelos de aprendizaje automático que integran biomarcadores de los PTU y datos clínicos ofrecen una precisión predictiva superior para la EMD persistente.
- La duración de la diabetes, la disrupción EZ/ELM y la HF son predictores clave identificados a través del análisis SHAP.
- Los modelos SVM, XGBoost y RF son prometedores para la planificación del tratamiento individualizado en EMD persistente.
