在美国眼科学院IRIS®注册表中评估视觉敏度
Arthur Brant1, Natasha Kolomeyer2, Jeffrey L Goldberg1,3
1Spencer Center for Vision Research, Byers Eye Institute at Stanford, Department of Ophthalmology, Stanford University, Palo Alto, California.
Ophthalmology science
|October 23, 2023
概括
本研究描述了IRIS注册表中的视敏度数据,揭示了数据不一致. 一个数据清理策略可以提高研究纠正距离视敏度 (CDVA) 的准确性.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 美国眼科学院的视力智能研究 (IRIS) 登记处收集了大量视力敏度数据.
- 了解这些数据中的特征和潜在的不一致性对于可靠的研究至关重要.
研究的目的:
- 描述IRIS注册表中视力敏度数据的表示方式.
- 提出数据清理策略,以解决不一致性并提高研究数据质量.
主要方法:
- 分析了2018年IRIS注册表记录中的视力敏度测量和元数据.
- 两个版本的注册表数据 (罗马和芝加哥) 进行了比较,以确定元数据的一致性.
- 开发了一个数据清理策略,以推断纠正远距离视力敏度 (CDVA).
主要成果:
- IRIS注册表包含数以百万计的视力敏度记录,但发现了诸如重复输入和非典型测量 (例如,校正比未经校正更差) 等不一致性.
- 数据版本之间的比较显示了某些敏度级别的重复记录和logMAR值的差异.
- 很大一部分记录缺乏特定的元数据 (折射或针孔).
结论:
- 虽然IRIS注册表数据广泛,但包含重复和非典型的测量,需要小心处理.
- 采用数据清理策略,如过异常值和平均测量,可以提高视觉敏度数据的可靠性,用于分析.
- 未来使用IRIS注册表数据的研究应该考虑这些数据特征,并应用适当的清洁方法.
