使用机器学习模型预测硫诱导的眼损伤的临床结果
Vered Horwitz1, Maayan Cohen1, Ariel Gore1
1Department of Pharmacology, Israel Institute for Biological Research, Ness Ziona, 74100, Israel.
Experimental eye research
|September 30, 2023
概括
机器学习模型可以通过分析急性期临床数据来预测长期的硫 (SM) 眼损伤. 这有助于识别需要专门监测和治疗角膜新血管化等疾病的眼睛.
科学领域:
- 眼科医生 眼科 眼科
- 毒理学 毒理学 毒理学
- 人工智能的人工智能
背景情况:
- 硫 (SM) 导致具有明显临床阶段的视力威胁的眼损伤.
- 急性SM眼损伤可能导致慢性,晚期病理,需要及早识别针对性干预的风险.
研究的目的:
- 评估一种机器学习 (ML) 模型,用于预测SM诱导的晚期眼部病理的发展.
- 从急性阶段确定预测未来并发症的关键临床参数,例如角膜新血管化.
主要方法:
- 一个随机的森林分类器ML模型被训练使用回顾性临床数据从166子眼睛暴露于SM.
- 在急性阶段评估角膜,眼和结膜的临床评分被用作输入特征.
- 该模型根据前三周的数据预测了暴露后四周角膜新血管化的发展.
主要成果:
- 该ML模型在预测SM诱导的眼损伤的临床结果方面取得了73%的整体准确性.
- 对于识别患有角膜新血管化风险的眼睛的预测准确率为75%;对于未来治愈的眼睛,预测准确率为59%.
- 关键预测参数包括结膜分泌和一周后的角膜不透明度,以及暴露后72小时的角膜侵蚀.
结论:
- 机器学习可以使用急性阶段参数预测SM诱导的眼损伤的临床结果.
- 虽然准确性有限,可能是由于数据集的大小,但该研究强调了预测晚期病理学的关键急性损伤指标.
- 这种方法为SM诱导的眼部并发症的潜在病理机制提供了洞察力.
