通过基于深度学习的低视野变性患者识别来改善眼临床试验的机会
Ruolin Wang1, Chris Bradley2, Patrick Herbert2
1Malone Center for Engineering in Healthcare, Johns Hopkins University School of Medicine, Baltimore, Maryland; Department Artificial Intelligence in Biomedical Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Germany.
Ophthalmology. Glaucoma
|January 31, 2024
概括
深度学习模型可以使用基线数据预测青光眼患者的低视野可变性. 这种方法显著减少了临床试验所需的样本大小,可能降低试验成本和参与者负担.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 由于患者的变化,眼临床试验需要大量的样本大小.
- 识别未来视野 (VF) 变性较低的患者可以优化试验设计.
- 深度学习模型 (DLM) 提供了预测疾病进展模式的潜力.
研究的目的:
- 开发和评估用于预测眼睛的DLM,其未来VF变化率较低.
- 评估使用这种DLM对神经保护试验样本大小要求的影响.
主要方法:
- 使用了回顾性队列研究和模拟方法.
- 根据基线VF,OCT和临床数据进行了DLM的培训,以预测低VF变异性.
- 对所有眼睛,低可变性眼睛和DLM预测的低可变性眼睛进行了样本大小估计.
主要成果:
- 在预测低VF波动性时,DLM实现了0.73 (DLM1) 和0.82 (DLM2) 的AUC.
- 使用DLM预测的低可变性眼睛减少了30-38%的样本大小,以检测治疗效应.
- 这些模型利用基线VF/OCT/临床数据来预测未来的变化.
结论:
- DLMs可以从单次基线访问中准确预测具有低VF变异性的眼睛.
- 这种预测能力可以显著降低对眼试验的样本大小要求.
- 这些发现表明,有可能降低未来格劳科马临床试验的负担.
更多相关视频
07:12Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
Published on: April 11, 2025
352
10:10Full-Circle Cauterization of Limbal Vascular Plexus for Surgically Induced Glaucoma in Rodents
Published on: February 15, 2022
1.4K
