使用非成像机器学习方法预测早产视网膜病变的预测模型:区域多中心研究

科学领域:

• 新生儿医学 新生儿医学
• 医疗保健中的机器学习
• 眼科医生 眼科 眼科

背景情况:

• 早产视网膜病变 (ROP) 是早产婴儿视力损伤的重要原因之一.
• 早期发现和管理ROP对于预防视力丧失至关重要.
• 预测模型可以帮助识别高风险婴儿,以便及时进行干预.

研究的目的:

• 开发和评估用于预测ROP发生的非成像机器学习模型.
• 利用来自新生儿第一次查的现有临床数据.

主要方法:

• 日本的一项多中心研究收集了215名新生儿的临床数据.
• 使用35个变量开发了五种机器学习模型 (决策树,随机森林,梯度增强树,神经网络,纯粹贝叶斯).
• 使用10倍交叉验证和200次代进行参数调整和模型评估.

主要成果:

• 在215名新生儿中,有43名 (20.0%) 患有ROP.
• 纯粹的贝叶斯模型实现了平均AUC-ROC为0.94,准确率为90.6%,灵敏度为94.6%,特异性为73.6%.
• 随机森林模型显示了可比性能,平均AUC-ROC为0.93,准确率为90.1%.

结论:

• 非成像机器学习模型在预测ROP方面表现出很高的表现.
• 这些模型提供了一个有价值的替代品,当 fundus 成像是由于诸如眼睛不透明等因素的挑战.
• 该研究强调了人工智能在新生儿眼睛护理方面的潜力,特别是在资源有限的环境中.