机器学习模型用于预测儿童和青少年近视
Jingfeng Mu1, Haoxi Zhong1, Mingjie Jiang1
1Shenzhen Eye Hospital, Shenzhen, China.
Frontiers in medicine
|December 4, 2024
概括
机器学习模型可以准确地预测儿童近视,识别关键风险因素,如轴长和母亲的病史. 这些工具可以帮助针对高危人群的近视预防工作.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 近视的患病率在全球范围内不断增加,这对公众健康构成了重大挑战.
- 早期预测和干预对于管理近视进展及其相关并发症至关重要.
研究的目的:
- 评估机器学习算法在预测小学学生近视的有效性.
- 确定影响近视发展的关键眼睛,环境,行为和遗传因素.
主要方法:
- 一项涉及2947名中国深小学学生的病例对照研究.
- 使用分层集群随机抽样进行参与者选择.
- 开发并比较了五种机器学习模型:随机森林 (RF),决策树 (DT),极端梯度增强树 (XGBoost),支持向量机 (SVM) 和后勤回归 (LR).
- 模型使用近视查数据,眼部生物参数和问卷答复进行训练.
主要成果:
- 在研究人群中,近视的患病率为47.2%.
- 所有五种机器学习模型都表现出强大的预测性能,曲线下的面积 (AUC) 值高于0.75.
- 与DT (AUC = 0.791) 相比,SVM,LR,RF和XGBoost的预测性能 (AUC范围从0.815到0.846) 比较优越.
- 发现的关键预测因素包括轴长,年龄,性别,母亲近视和婴儿养模式. 轴长是最重要的风险因素 (OR = 8.203).
结论:
- 机器学习模型为儿童近视预测提供了强大的方法.
- 准确识别近视风险因素可以为有针对性的预防和控制策略提供信息.
- 这些预测模型可以帮助高风险个体进行早期干预,可能减轻近视的进展.
