使用基于各种手术前生物识别因素的机器学习预测可植入的Collamer镜头
Yu Di1, Huihui Fang2,3, Yan Luo1
1Department of Ophthalmology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences, Beijing, China.
Translational vision science & technology
|January 15, 2024
概括
机器学习模型,特别是XGBoost,可以准确地预测V4c手术后植入式粘合镜 (ICL) V4c手术后的金库大小. 这种方法比传统方法提供了更好的预测,可能减少并发症和二次手术.
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:
- 顶,植入后的前腔深度,对于折射结果和预防植入式粘合镜 (ICL) V4c手术后的并发症至关重要.
- 准确预测手术后的密室大小对于优化ICL结果和最大限度地降低诸如色素分散综合征或角度闭合等风险至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测ICL V4c植入后的金库大小.
- 为了比较机器学习算法的预测准确度与制造商的标准名ogram.
主要方法:
- 一项回顾性研究包括707只眼睛接受ICL V4c植入.
- 机器学习模型,包括随机森林回归 (RFR),XGBoost和线性回归 (LR),被训练来预测手术后一周的金库大小.
- 使用平均绝对误差 (MAE),根平均平方误差 (RMSE),对称平均绝对百分比误差 (SMAPE) 和布兰德-阿尔特曼分析来评估模型性能.
主要成果:
- 在XGBoost中,预测误差最低,MAE为121.70微米,RMSE为148.87微米,SMAPE为19.13%.
- 布兰德-阿尔特曼图表表明,XGBoost和RFR提供了比LR更一致的预测.
- 与RFR相比,XGBoost表现出较窄的95%一致度极限 (-307.12至256.59微米),这表明预测精度更高.
结论:
- 在ICL V4c植入后,XGBoost在预测术后形大小方面表现优于RFR和LR.
- 机器学习模型显示了准确预测金库的巨大潜力,这可能有助于减少手术并发症和修复手术的需要.
