使用基于机器学习的多阶段系统对现实患者数据进行视觉敏度预测

科学领域:

• 眼科医生 眼科 眼科
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 静脉内手术药物治疗 (IVOM) 是与年龄相关的黄斑变性 (AMD),糖尿病黄斑胀和视网膜静脉封闭的标准治疗方法.
• 预测视力敏度 (VA) 和检测视力丧失是具有挑战性的,因为异质和不完整的现实世界的数据.
• 现有的治疗方法往往无法预防长期的视力下降.

研究的目的:

• 通过融合来自不同IT系统的数据,开发一个与研究兼容的数据库.
• 在接受IVOM的患者中创建视敏度 (VA) 进展的预测模型.
• 将患者对治疗的反应分为"获胜者"",稳定者"和"失败者" (WSL).

主要方法:

• 通过整合眼科IT系统,创建了一个数据库.
• 深度神经网络被用于光学连贯断层扫描 (OCT) 生物标志物分类,达到>98%的F1分数.
• 一个多阶段系统使用至少四个VA检查和可选的OCT生物标志物预测了VA进展.

主要成果:

• 海洋生物标志物分类取得了超过98%的F1得分,提高了数据的完整性.
• VA预测模型实现了69%的宏观平均F1得分,超过眼科医生 (57.8%的F1得分).
• 随着时间的推移,在AMD患者中观察到明显的视力恶化.

结论:

• 开发的数据库和人工智能工作流程使VA进展的预测建模成为可能.
• WSL分类方案有效地对患者对IVOM的反应进行了分类.
• 人工智能模型在预测视觉结果方面表现有希望,有助于临床决策和患者管理.