相关实验视频
Updated: Jul 9, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.4K
在没有 fundus 检查的情况下预测视网膜静脉封闭风险,使用无代码机器学习工具对表格数据进行预测:来自韩国的全国横截面研究
Na Hyeon Yu1, Daeun Shin1, Ik Hee Ryu2,3
1Department of Ophthalmology, Kim's Eye Hospital, Konyang University College of Medicine, Seoul, South Korea.
BMC medical informatics and decision making
|March 7, 2025
概括
一个无代码机器学习模型使用例行健康检查数据预测视网膜静脉封闭 (RVO) 风险. 这种可访问的工具增强了早期检测和预防策略,以改善患者的治疗结果.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 视网膜静脉封闭 (RVO) 是全球视力丧失的一个重要原因.
- 常规健康检查数据,包括人口统计和实验室结果,对于疾病风险评估至关重要.
- 开发RVO的预测模型,使用随时可用的健康数据,对于早期干预至关重要.
研究的目的:
- 开发一种机器学习模型,用于预测一般人群中的RVO风险.
- 使用标准的表格健康检查数据,避免需要编码专业知识或视网膜成像.
- 为RVO风险评估创建一个可访问和具有成本效益的工具.
主要方法:
- 利用韩国国家健康和营养检查调查 (KNHANES) 数据 (2017-2020) 进行模型开发和KNHANES 2021进行外部验证.
- 采用色数据挖掘和Google Vertex AI用于模型构建,促进无代码的工作流.
- 应用过量抽样函数来管理类不平衡,并对综合健康数据训练各种机器学习算法.
主要成果:
- 使用色数据挖掘开发的人工神经网络 (ANN) 实现了0.856 (内部) 和0.784 (外部验证) 的AUC.
- 与物流回归和谷歌Vertex AI模型相比,ANN表现出更高的性能.
- RVO风险的关键预测因素包括年龄,家庭收入和与血压相关的因素.
结论:
- 开发可行的可访问,具有成本效益的RVO风险预测工具,使用无代码机器学习和健康检查数据.
- 在一般医疗保健环境中加强早期检测和预防策略的潜力.
- 通过主动的RVO风险管理,改善了患者的治疗结果.
