基于机器学习的预测,对于隐形眼镜的撕裂平度实践实践
Izabela K Garaszczuk1, Maria Romanos-Ibanez2, Alejandra Consejo2
1Wroclaw University of Science and Technology, Wroclaw, Poland.
概括
机器学习模型可以预测隐形眼镜佩戴者的眼度,有助于检测干眼. 关键因素包括膜分解时间和梅博姆腺评估,以改善眼睛健康.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 升高的透度与隐形眼镜诱导的眼睛干燥有关,这是停止佩戴隐形眼镜的常见原因.
- 精确测量撕裂度是临床上重要的,但具有挑战性.
研究的目的:
- 使用机器学习技术来估计撕裂度.
- 用常规临床参数预测隐形眼镜佩戴者的透度.
主要方法:
- 在175名参与者的数据上采用机器学习,回归和分类技术.
- 收集的临床数据包括症状问卷 (眼部表面疾病指数,DEQ-5),眼半径高度 (TMH),非侵入性眼膜破裂时间 (NIKBUT),眼睛发红和梅博姆腺评估.
主要成果:
- 先进的回归模型解释了32%的度变化,其中NIKBUT,TMH,眼睛发红,梅博姆腺覆盖范围和DEQ-5作为关键预测因素.
- 使用类似的关键参数,分类模型在区分低,中和高度水平方面达到80%的准确性.
结论:
- 机器学习显示了隐形眼镜研究和实践的潜力.
- 评估Meibomian腺体和NIKBUT在临床上对隐形眼镜的安装和随访有用.
- 机器学习模型可以优化隐形镜片的处方,并促进早期干眼检测.


