基于虚拟现实的红外瞳孔测量 (VIP) 用于长期COVID

科学领域:

• 眼科医生 眼科 眼科
• 神经学 神经学
• 医疗技术 医疗技术 医学技术

背景情况:

• 长期冠状病毒疾病 (LCVD) 带来了各种症状的重大健康挑战.
• 对LCVD需要客观的诊断工具,以帮助患者的识别和管理.
• 瞳孔光反应 (PLRs) 可以反映自主神经系统功能,可能受到COVID-19的影响.

研究的目的:

• 评估基于虚拟现实的红外瞳孔测量 (VIP) 在检测长期冠状病毒病 (LCVD) 患者的有效性.
• 为了识别与LCVD相关的特定的学生计学特征.
• 评估机器学习模型在将参与者分为LCVD,后COVID (PCVD) 或基于瞳孔反应的对照组的性能.

主要方法:

• 一项前性,病例控制的横截面研究,涉及185名参与者 (20-60岁).
• 用虚拟现实头戴显示器 (VRHMD) 记录了瞳孔光响应 (PLRs),该显示器具有三个光强度.
• 提取了9个PLR波形特征,机器学习模型分析了这些特征和整个学生计波形进行分类.

主要成果:

• 在最明亮的刺激 (L8) 之后的收缩时间 (CT) 与LCVD状态显著相关.
• 单单L8后CT的精度和AUC分别为0.7808和0.8711 (LCVD与对照/PCVD).
• 机器学习模型,特别是分析整个波形的长期短期记忆模型,在区分LCVD和PCVD方面实现了高精度 (高达0.9375).

结论:

• 特定的学生计学特征可以区分LCVD和PCVD,以及使用VIP的对照组.
• 将统计特征选择与机器学习分析相结合,可以提高VIP在LCVD检测方面的性能.
• VIP提供一种非侵入性,低成本,便携性和客观的方法来检测LCVD.