在视网膜静脉封闭后预测视觉敏度 抗VEGF治疗:可解释机器学习模型的开发和验证
Chunlan Liang1, Lian Liu1, Tianqi Zhao1
1Department of Ophthalmology, The First Affiliated Hospital of Jinan University, 613 Huangpu Road, Guangzhou, 510630, Guangdong Province, China.
Journal of medical systems
|April 29, 2025
概括
这项研究开发了一种可解释的机器学习模型,用于预测接受抗VEGF治疗的视网膜静脉封闭患者的视力敏度. 该模型准确预测结果,帮助治疗决策和改善患者护理.
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:
- 精确预测视力敏度治疗后视网膜静脉封闭与黄斑 (RVO-ME) 对于有效的抗VEGF治疗至关重要.
- 目前用于眼科预后的机器学习 (ML) 模型往往缺乏RVO管理中的解释性和临床适用性.
研究的目的:
- 开发和验证可解释的ML模型,用于预测接受抗VEGF治疗的RVO患者的视力敏度变化.
- 系统地比较RVO-ME视敏度预测的ML算法,并提高临床透明度.
主要方法:
- 对259名接受抗VEGF治疗的RVO患者进行了回顾性分析.
- 使用Boruta算法选择特征,并对八种ML算法进行评估,其中极端梯度增强 (XGBoost) 被确定为最佳.
- 使用沙普利添加式扩展 (SHAP) 值进行解释性分析.
主要成果:
- 在XGBoost模型中,AUC达到0.91,准确度为0.83,灵敏度为0.88,特异性为0.73,F1得分为0.87.
- 关键预测因素包括基线视力敏度,缩血压,年龄,糖尿病视网膜内层功能障碍 (DRIL) 和RVO亚型.
- SHAP分析强调了基线视力敏度,静脉压和年龄作为最有影响力的预后因素.
结论:
- 开发的可解释的ML模型显示了RVO-ME患者视力敏度结果的高预测性能 (AUC>0.9).
- 通过SHAP可视化模型的临床透明度,促进了指导抗VEGF治疗决策的实际实施.
- 建议在多中心队列中进一步验证,以提高个性化RVO管理的概括性.
