将深度学习与电子健康记录集成为早期眼检测:一种多维机器学习方法

科学领域:

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

背景情况:

• 玻璃眼是全球不可逆转失明的主要原因.
• 深度学习的进步正在改变医学诊断,包括眼科.
• 这项研究的重点是开发一种可预测的模型来检测青光眼.

研究的目的:

• 开发和评估可靠的基于深度学习的可预测模型,用于对青光眼的检测.
• 评估电子健康记录 (EHR) 中的临床,社会,行为和人口统计数据对眼风险预测的有用性.
• 为了比较不同机器学习分类器在识别青光眼中的性能.

主要方法:

• 使用了1652名参与者的数据集 (826名青光眼患者,826名对照).
• 从电子健康记录 (EHR) 中提取数据.
• 采用随机森林,梯度提升和Keras序列模型进行预测分析,评估准确性,F1得分,精度,回忆和AUC.

主要成果:

• 随机森林模型获得了最高的准确性 (67.5%) 和ROC AUC (0.67).
• 梯度提升和顺序模型的准确度略低 (分别为66.3%和64.5%).
• 确定眼内压力,家族病史和体重指数是青光眼风险的重要预测因素.

结论:

• 使用EHR数据的深度学习模型显示,对青光眼的检测和风险评估充满希望.
• 该模型提供了一个可行的工具,用于初级保健中早期的玻璃眼风险评估,尽管精度低于基于成像的方法.
• 根据个体患者数据量身定制的检测策略对于有效的,个性化的玻璃眼查和干预至关重要.