超视儿童的眼睛生物识别组件和基于机器学习的模型来预测轴长度

科学领域:

• 眼科医生 眼科 眼科
• 生物医学工程 生物医学工程
• 儿科光学测量 儿科光学测量

背景情况:

• 超视远在儿童中很常见,可能会影响视觉发育.
• 了解眼睛生物识别参数随着年龄的变化对于治疗儿科视障症至关重要.
• 现有的轴长估计方法可能对这个人群来说不是最优的.

研究的目的:

• 为了研究高视障碍儿童的光学生物识别组件的发展.
• 应用机器学习模型来预测这个群体的轴长.
• 提供针对儿科高视障碍的眼部生物识别的最新参考数据.

主要方法:

• 招募的3至11岁的高视障碍儿童 (+1D至+10D).
• 测量轴长度,前腔深度,透镜厚度,中角膜厚度和角膜功率.
• 使用分类和回归树 (CART) 分析来预测使用球体等价值 (SEQ),年龄和性别的轴长.

主要成果:

• 眼部生物识别参数,包括轴长和角膜功率,显示出与年龄相关的显著差异.
• 观察到轴长度的增长会被角膜功率随着年龄的增长而减少所抵消.
• 与线性回归 (0.76 D) 相比,CART模型预测了轴长,平均绝对误差较低 (0.60 D).

结论:

• 眼睛的生物识别参数随着年龄的增长而演变,在超视的儿童中,尽管有类似的折射误差.
• 轴长度的增加被角膜功率的减少所抵消.
• 机器学习方法提供了一种更准确的方法来估计儿科视障的轴长.