人工智能模型利用生活方式因素来预测干眼相关的结果
Andrew D Graham1,2, Jiayun Wang3,4, Tejasvi Kothapalli1
1Vision Science Group, University of California, Berkeley, USA.
Scientific reports
|April 18, 2025
概括
生活方式因素显著影响干眼疾病 (DED). 机器学习模型显示,年龄,接近工作和环境是DED症状和症状的关键预测因素,突显了它们在临床护理中的重要性.
科学领域:
- 眼科和计算科学 眼科和计算科学
- 研究人工智能和眼睛表面疾病的交叉点.
背景情况:
- 干眼病 (DED) 是一种多因素的疾病.
- 当前的诊断和预测模型往往低估了生活方式和环境因素.
研究的目的:
- 开发和解释机器学习模型,用于预测DED临床迹象,症状和诊断.
- 确定生活方式,行为和环境因素对DED预测的影响.
主要方法:
- 训练有素的机器学习模型使用临床的眼球表面评估,眼和膜数据,以及经过验证的症状问卷.
- 将眼睛表面疾病的临床医生诊断纳入预测模型.
- 使用5倍交叉验证准确度和预测器统计数据评估模型性能.
主要成果:
- 年龄是眼划痕,马克思线位移,光素撕裂时间 (FTBUT),症状评级和白炎诊断的重要预测因素.
- 舒适的隐形眼镜佩戴时间,工作附近,酒精消费,运动和户外时间严重影响了DED症状和迹象的预测.
- 环境暴露,如飞机机和驾驶预测症状,但不是临床迹象.
结论:
- 生活方式,个体特征和环境暴露在眼睛表面疾病的病因学中至关重要.
- 机器学习模型有效地将这些因素识别为DED的强有力的预测因素.
- 将生活方式因素纳入临床研究和患者护理是改善DED管理的关键.
