眼内透镜功率计算-比较大数据方法与既定的公式

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:

• 传统的眼内镜 (IOL) 功率计算公式在预测术后折射结果方面存在局限性.
• 准确的折射预测对于成功的白内障手术结果至关重要.

研究的目的:

• 为了比较传统的IOL功率计算公式与先进的回归模型的预测性能.
• 评估经典线性模型,回归线和随机森林回归来预测术后折射.

主要方法:

• 从631名接受白内障手术的患者中,对886只眼睛进行了回顾性分析.
• 使用来自光学生物识别 (IOLMaster 700) 的生物识别数据.
• 公式常数被优化,回归模型被训练在以轴长 (AL) 分层的数据集上.
• 使用平均绝对误差 (MAE),根平均平方误差 (RMSE) 和预测误差差差值来评估性能.

主要成果:

• 与传统的IOL公式相比,回归模型显示出更高的样本内预测误差.
• 一个包含共变量 (R2,AL,CCT) 非线性效应的回归支线模型实现了最小的样本外预测误差 (MAE = 0.279,RMSE = 0.359).
• 这种先进的模型超过了所有传统公式和Castrop公式.
• 随机森林回归显示了高的样本准确性,但由于过度拟合,样本之外的概括性很差.

结论:

• 回归模型,特别是那些使用回归线来计算非线性效应的回归模型,为传统的IOL公式提供了一个有希望的替代方案.
• 虽然线性和随机森林模型减少了样本内误差,但它们的临床实用性受样本外性能限制.
• 未来的研究应该专注于提高概括性和整合机器学习,以改善折射结果,特别是在非典型的眼睛.