このページは機械翻訳されています。他のページは英語で表示される場合があります。 View in English

ベースラインの臨床的特徴を用いた尿道炎の再発過程を予測するための機械学習

William Rojas-Carabali ^1,2,3, Carlos Cifuentes-González ^1,3, Anna Utami ⁴

¹Programme for Ocular Inflammation & Infection Translational Research, Department of Ophthalmology, National Healthcare Group Eye Institute, Tan Tock Seng Hospital, Singapore, Singapore.
²Lee Kong Chian School of Medicine, Nanyang Technological University, Singapore, Singapore.
³National Healthcare Group Eye Institute, Tan Tock Seng Hospital, Singapore, Singapore.
⁴Jakarta Eye Centre, Jakarta, Indonesia.
⁵Dr Shroff's Charity Eye Hospital, New Delhi, India.
⁶Department of Ophthalmology and Schepens Eye Research Institute, Massachusetts Eye and Ear/ Harvard Medical School, Boston, Massachusetts, United States.
⁷Sight for Souls, Bellevue, Washington, United States.
⁸Department of Ophthalmology, Addis Ababa University, Addis Ababa, Ethiopia.
⁹MyungSung Christian Medical Center (MCM) Eye Unit, MCM Comprehensive Specialized Hospital, MyungSung Medical School, Addis Ababa, Ethiopia.
¹⁰Stein Eye Institute, Department of Ophthalmology, David Geffen School of Medicine, Los Angeles, California, United States.
¹¹Department of Ophthalmology, Universitätsmedizin Mannheim, University of Heidelberg, Heidelberg, Germany.
¹²SNC Eye Hospital, Jagadhri, India.
¹³Singapore National Eye Centre, Singapore.
¹⁴Hospital de Clinicas Jose de San Martín Universidad de Buenos Aires/Hospital Universitario Austral, Buenos Aires, Argentina.
¹⁵Advanced Eye Centre, Post graduate Institute of Medical Education and Research (PGIMER), Chandigarh, India.
¹⁶Neuroscience (NEUROS) Research Group, Neurovitae Research Center, Institute of Translational Medicine (IMT), Escuela de Medicina y Ciencias de la Salud, Universidad del Rosario, Bogotá, Colombia.
¹⁷Singapore Immunology Network (SIgN), Agency for Science, Technology and Research (A*STAR), Singapore, Singapore.
¹⁸Centre for Biomedical Informatics, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapore, Singapore.
¹⁹Infectious Disease Labs (ID Labs), Agency for Science, Technology and Research (A*STAR), Singapore, Singapore.
²⁰Khoo Teck Puat Hospital, National Healthcare Group, Singapore, Singapore.
²¹Singapore Eye Research Institute, Singapore, Singapore.
²²Duke NUS Medical School, Singapore, Singapore.

⁰Programme for Ocular Inflammation & Infection Translational Research, Department of Ophthalmology, National Healthcare Group Eye Institute, Tan Tock Seng Hospital, Singapore, Singapore.

Investigative Ophthalmology & Visual Science +

|

2025年8月27日

PubMedで要約を見る

まとめ

機械学習モデルは,高特異性で低リスクのウエイトの再発を予測し,臨床的決定を助けます. しかし,この複雑な疾患における稀な出来事を予測することは,敏感性が限られているため,依然として困難です.

科学分野

眼科について
人工知能
医療情報学

背景

尿道炎は複雑な眼内炎症である.
効果的な患者管理とリスクの階層化には,尿膜炎の再発を予測することが不可欠です.
現在の再発を予測する方法は限界があります

研究の目的

再発性ウエバイトのリスクを予測するための機械学習 (ML) モデルを開発し評価する.
リスクの階層化のために基線臨床特性を利用する.
卵巣炎の管理における臨床的意思決定の情報提供

主な方法

オキュラ・オートイムン・システム炎症感染症研究 (Ocular Autoimmune Systemic Inflammatory Infectious Study) のレジストリからUveitisを患った966人の患者の遡及分析.
3人のML分類者 (ランダムフォレスト, eXtreme Gradient Boosting, RBF-SVC) の基礎データに関するトレーニング
バイバリエーション分析による特徴選択と,クロス検証によるグリッド検索によるモデル最適化.

主要な成果

ランダムフォレストモデルは,高い特異性 (0. 93) と,控えめな感度 (0. 44) で,最高精度 (0. 77) を達成した.
eXtreme Gradient BoostingとRBF-SVCは類似した精度を示した.
主な予測因子には,ガラスの霧,レトロレンタル細胞,非感染性病因が含まれています.

結論

MLモデル,特にランダムフォレストは,膜炎の再発のリスクが低い患者を特定するのに有望です.
高い特異性は,低リスクの個人を信頼できる識別を示唆します.
異質な患者集団における珍しい事象を予測する際の継続的な課題を強調しています.