监督机器学习统计模型用于预测黄斑孔手术中的视觉结果:单个外科医生,标准化手术研究
Kanika Godani1, Vishma Prabhu1, Priyanka Gandhi1
1Department of Retina and Vitreous, Narayana Nethralaya, #121/C, 1st R Block, Chord Road, Rajaji Nagar, Bengaluru, 560010, India.
International journal of retina and vitreous
|January 13, 2025
概括
随机森林回归使用光学连贯断层扫描数据准确预测黄斑孔手术后的视力敏度. 这种机器学习方法有助于手术规划和患者咨询,以获得更好的结果.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 黄斑孔 (MH) 手术的目的是恢复视力敏度 (VA).
- 术前光学连贯性断层扫描 (OCT) 为MHS提供了关键的结构数据.
- 预测术后VA对于手术规划和患者期望至关重要.
研究的目的:
- 评估各种机器学习 (ML) 模型对MH手术后术后VA的预测准确度.
- 用手术前的OCT参数来预测视觉结果.
主要方法:
- 对158只眼睛进行了回顾性分析,这些眼睛具有全厚的MHs.
- 提取来自OCT的质量和数量MH特征.
- 培训和测试6个监督的ML模型 (包括随机森林回归) 在14652个OCT数据点上.
主要成果:
- 91%的患者实现了MH关闭,VA中位数增益为-0.3 logMAR.
- 随机森林 (RF) 回归模型显示了最高的预测准确性 (最低的MSE).
- 手术后的MH关闭状态和MH区域指数是VA最重要的预测指标.
结论:
- 射频回归模型为术后VA提供了卓越的预测准确性.
- 使用外科手术前的OCT数据进行ML驱动的预测可以增强外科手术规划和患者咨询.
- 这种方法为MH手术后预期的视觉结果提供了可靠的见解.
