机器学习模型用于预测循环的折射误差和近视状态,基于中国学生的非循环数据

科学领域:

• 眼科医生 眼科 眼科
• 数据科学数据科学数据科学
• 生物医学工程 生物医学工程

背景情况:

• 准确的折射误差评估对于了解近视患病率至关重要.
• 周期性折射是黄金标准,但在大型研究中可能具有挑战性.
• 非百科全书数据为折射误差预测提供了一个潜在的替代方案.

研究的目的:

• 开发和验证机器学习 (ML) 模型.
• 预测循环的折射误差和近视状态.
• 使用非cycloplegic折射误差和眼部生物识别数据.

主要方法:

• 对5至18岁儿童进行横截面研究.
• 收集的生物识别和自折数据前和后的cycloplegia.
• 在独立数据集上训练并验证了ML模型 (XGBoost,随机森林).

主要成果:

• ML模型在预测周期性球体等效折射 (SER) (R2=0.913-0.935,MAE=0.393-0.480 D) 中取得了高精度.
• 模型在预测近视状态方面表现良好 (AUC=0.984-0.987).
• 最好的模型显示了SER和近视预测的高灵敏度和特异性.

结论:

• 使用非cycloplegic数据,ML模型可以有效地预测循环的折射误差和近视.
• 在流行病学研究中,ML为估计折射误差和近视率提供了可行的工具.
• 这种方法提高了大规模折射误差研究的可行性.