使用机器学习预测Decemet膜内皮质角质成形术的成功
Emine Esra Karaca1, Ayça Bulut Ustael1, Ali Seydi Keçeli2
1Department of Ophthalmology, Ankara Bilkent City Hospital, University of Health Sciences, Ankara, Turkey.
Cornea
|June 24, 2024
概括
机器学习模型准确地预测了Descemet膜内皮质角质成形中的早期移植失败. 加长重症监护室的持续时间和死亡到保存的时间是移植失败的关键风险因素.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 德塞梅特膜内皮皮质角膜整形术 (DMEK) 是用于角膜疾病的手术程序.
- 在DMEK后的早期移植失败 (GF) 可能会对视觉结果产生负面影响.
- 预测GF对于优化患者选择和术后护理至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测Descemet膜内皮质角质成形 (DMEK) 后的早期移植失败 (GF).
- 为了确定与GF风险相关的与捐赠者相关的特征.
主要方法:
- 使用了五种ML分类方法:随机森林,支持向量机,k-最近邻居,RUSBoosted树和神经网络.
- 训练有素的模型对捐赠者数据进行分析,包括年龄,性别,全身疾病,药物,ICU停留,死亡至保存时间 (DPT),内皮细胞密度和手术因素.
- 员工持久验证,75%的数据用于培训,25%用于测试;评估了预测准确性,灵敏度,特异性,f-score和ROC AUC.
主要成果:
- 通过ML模型实现了96%的最大分类准确度.
- 报告的精度,回忆和f1分数值分别为0.95,0.81和0.90.
- 确定了重症监护室持续时间的增加和死亡至保存时间 (DPT) 作为GF风险的显著预测因素 (P <0.05).
结论:
- 机器学习模型在DMEK中自动预测早期移植失败 (GF) 中表现出高效率.
- 加长重症监护室的持续时间和DPT与增加的瘤风险密切相关.
- 这些发现支持使用ML进行DMEK接受者的积极风险评估.
