系统评估机器学习增强的三焦点IOL功率选择对轴近视白内障患者的系统评估
Danmin Cao1, Min Hu2, Danlin Zhi3
1Aier Institute of Digital Ophthalmology & Visual Science, Changsha Aier Eye Hospital, Changsha, China; Department of Ophthalmology, The First Affiliated Hospital of Guangzhou Medical University, Guangzhou, China; Aier Eye Hospital of Wuhan University, Wuhan, China.
Computers in biology and medicine
|March 26, 2024
概括
机器学习模型显著改善了眼内透镜 (IOL) 功率计算,用于接受三焦点IOL的高轴近视患者. 像K6和Holladay I这样的公式表现出了最大的改善,提高了预测准确度.
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:
- 高轴近视在白内障手术中精确选择眼内透镜 (IOL) 功率方面存在挑战.
- 三焦眼镜可提供先进的视觉校正,但需要精确的功率计算,特别是长轴长度的眼睛.
- 现有的IOL计算公式可能在准确预测近视眼的折射结果方面存在局限性.
研究的目的:
- 评估和优化眼内透镜 (IOL) 功率选择对于接受三焦点IOL植入的白内障患者高轴近视.
- 评估机器学习 (ML) 模型在提高已建立的IOL计算公式的准确性方面的有效性.
- 为了确定哪些IOL配方在这个特定的患者队列中最受益于ML整合.
主要方法:
- 一个多中心的回顾性观察案例系列包括139只眼睛,轴长≥26毫米,接收三焦点IOL.
- 机器学习模型 (支持向量机,线性回归,堆叠回归器) 被训练并使用手术前生物识别和术后结果进行测试.
- 评估了七种IOL计算公式,包括和没有ML增强,并通过内部和外部验证性能.
主要成果:
- 机器学习集成在交叉验证期间改善了K6 (71.94%至79.14%) 和Holladay I (35.25%至51.80%) 的预测误差,在±0.50 D范围内.
- 外部验证显示,K6的预测误差在±0.50D的范围内改善到77.08%和Holladay I的预测误差提高到58.33%.
- 在7种配方中,有6种配方通过ML增强显示了平均绝对误差 (MAE) 的降低.
结论:
- 机器学习,特别是堆叠回归模型,在提高高轴近视的IOL功率计算的准确性方面显示出显著的希望.
- 像K6和Holladay I这样的公式在增加ML时,在预测准确度方面获得了最实质性的收益.
- 将ML集成到IOL功率选择中可以提高长眼患者的可预测性,从而可能导致更好的视觉结果.
