机器学习适用于新血管与年龄相关的黄斑退行症中缩和纤维化发展的适用性

科学领域:

• 眼科医生 眼科 眼科
• 医疗人工智能 医疗人工智能
• 生物医学数据科学 生物医学数据科学

背景情况:

• 神经血管与年龄相关的黄斑退化 (nAMD) 是导致视力丧失的主要原因.
• 抗VEGF治疗是一种标准治疗,但预测纤维化和缩等长期结果仍然具有挑战性.
• 了解影响疾病进展的因素对于患者管理至关重要.

研究的目的:

• 评估机器学习 (ML) 在预测nAMD患者纤维化和缩发展方面的有效性.
• 评估抗VEGF治疗前12个月内临床和遗传因素对36个月的结果的预测价值.

主要方法:

• 利用接受抗VEGF治疗的nAMD患者的真实世界临床和遗传数据.
• 应用了ML技术来预测36个月的纤维化和缩发展,使用最初12个月的数据.
• 分析了各种临床和遗传变量的预测相关性.

主要成果:

• 机器学习模型确定ETDRS视觉敏度是纤维化和缩发展的重要预测因素.
• 遗传变量在预测这些结果方面没有显示统计相关性.
• 该ML模型实现了63%的平衡精度和0.72的AUC,用于预测36个月的结果.

结论:

• 在长期接受抗VEGF治疗的nAMD患者中,ML技术对预测纤维化和缩有前途.
• 临床因素,特别是ETDRS视敏度,对于预测疾病进展至关重要.
• 这些发现可以为未来的眼科ML应用提供信息,并优化数据收集策略.