一种新的方法来预测中央10度视野中的玻璃眼损伤,排除白内障的影响

科学领域:

• 眼科医生 眼科 眼科
• 医学技术 医学技术 医学技术
• 机器学习在医疗保健中的应用

背景情况:

• 预测眼视野障碍对于早期检测和管理至关重要.
• 以前使用视力敏度和全球指数的方法在准确性方面存在局限性,特别是在白内障等混因素方面.
• 面向点的总偏差 (TD) 为评估视野缺陷提供了更细致的方法.

研究的目的:

• 为了提高预测真正的眼视野 (VF) 损伤的准确性.
• 用点向TD值来评估随机森林模型 (RFM) 的有效性.
• 为了确定是否结合光学连贯性断层扫描测量质细胞内状层 (GCIPL) 厚度,可以提高预测准确度.

主要方法:

• 对89只眼睛进行了回顾性分析,这些眼睛在白内障后手术后出现了开放角格劳科马.
• 使用手术前模式偏差 (PD),线性回归 (LM) 和RFM与视敏度 (VA) 和VF数据预测手术后TD.
• 使用平均绝对误差 (MAE) 和评估GCIPL整合的预测准确性的比较.

主要成果:

• 与PD (3.20 ± 4.06 dB) 和LM (1.42 ± 1.06 dB) 相比,RFM实现了显著较低的MAE (1.25 ± 1.03 dB).
• 结合GCIPL的模型与单独使用RFM相比,MAE (1.24±1.04dB) 没有显著改善.
• 使用RFM的点向TD在预测眼性VF损伤方面表现出卓越的准确性.

结论:

• 使用点向TD的随机森林模型提供了对眼性VF损伤的准确预测,有效排除了白内障效应.
• 纳入GCIPL厚度并没有为RFM的预测准确性提供额外的好处.
• 这种点向点的RFM方法在减少白内障对VF评估的影响方面具有临床价值.