开发和验证数据层面的创新数据平衡机器学习模型,以预测最佳的植入式粘合器镜头尺寸和术后的金库
Heng Zhao1,2,3,4,5, Tao Tang1,2,3,4,5, Yuchang Lu1,2,3,4,5
1Institute of Medical Technology, Peking University Health Science Center, Beijing, China.
Ophthalmology and therapy
|November 9, 2023
概括
机器学习模型准确地预测了可植入结合镜片 (ICL) 尺寸和术后,改善了手术结果. 这种AI方法有助于外科医生选择最佳的ICL,减少并发症和修复手术的需要.
科学领域:
- 眼科医生 眼科 眼科
- 医疗人工智能 医疗人工智能
- 生物医学工程 生物医学工程
背景情况:
- 有限的植入式膜透镜 (ICL) 尺寸在实现最佳患者适合方面带来了挑战.
- 精确的ICL大小测定和术后形预测仍然是重大的临床挑战.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测ICL大小和术后.
- 为了解决可用的ICL尺寸的不连续性,并提高手术精度.
主要方法:
- 开发数据级数据平衡ML模型.
- 用差异分析 (ANOVA) 和克鲁斯卡尔-瓦利斯来进行特征选择.
- 将ML模型与传统线性回归进行比较,通过AUC和混矩阵评估准确性.
主要成果:
- 包装树ML模型在ICL大小选择 (84.5%准确度) 和密室预测 (90.2%准确度) 中表现出卓越的性能.
- 在预测特定ICL尺寸 (12.1mm增加49%,13.7mm增加59%) 中观察到显著的改进.
- 内部和外部验证数据集显示,ICL大小的预测准确度很高 (分别为82.2%和82.1%).
结论:
- 数据平衡的ML模型提供了一个更准确的方法来预测ICL大小和手术后的密室.
- 这些模型可以帮助外科医生选择最佳的ICL,从而最大限度地减少术后并发症和二次手术.
