在使用监督机器学习算法诊断异常性内高血压时预测视觉不良结果
Jacqueline K Shaia1, Taseen A Alam, Ilene P Trinh
1Department of Population and Quantitative Health Sciences (JKS, NKS), Case Western Reserve University, Cleveland, Ohio; Case Western Reserve School of Medicine (JKS, TAA, IPT, JRR, JYC), Cleveland, Ohio; Center for Ophthalmic Bioinformatics (JKS, RPS, KET), Cole Eye Institute, Cleveland Clinic, Cleveland, Ohio; School of Nursing, Case Western Reserve University (NKS), Cleveland, Ohio; Cleveland Clinic Cole Eye Institute (RPS, KET, DAC), Cleveland, Ohio; Cleveland Clinic Lerner College of Medicine of Case Western Reserve University (RPS, KET, DAC), Cleveland, Ohio; and Cleveland Clinic Martin Hospitals (RPS), Cleveland Clinic, Florida.
机器学习模型预测异形内高血压 (IIH) 的视力损失. 视野平均偏差 (VFMD) 和少数群体状况较差的患者面临视力不佳的危险.
科学领域:
- 眼科医生 眼科 眼科
- 神经学 神经学
- 数据科学数据科学数据科学
背景情况:
- 异常性内高血压 (IIH) 是一种视力威胁的疾病,主要影响生育年龄的女性.
- 早期诊断和干预对于预防视力丧失至关重要,但缺乏验证的预测工具.
- 这项研究旨在开发一种机器学习算法,用于预测诊断时IIH患者的视觉结果.
研究的目的:
- 创建一个机器学习算法来预测诊断为IIH的患者的视觉不良结果.
- 根据患者视力丧失的可能性,将患者分为风险组.
- 在IIH中确定视觉结果的关键预后标记.
主要方法:
- 一项回顾性队列研究分析了2012年6月至2023年9月期间诊断的391名IIH患者 (0-70岁) 的电子健康记录.
- 视力不佳的结果被定义为视野平均偏差 (VFMD) 差于-7dB或视力敏度为20/80或更差.
- 决策树和后勤回归模型被开发并使用准确度,灵敏度,特异性和AUC进行评估,并通过k倍交叉验证进行验证.
主要成果:
- 决策树模型表现出卓越的性能,导致创建了四个预后风险组:关键,高,中,低.
- 临界风险组的患者VFMD比-12.59dB更糟,非白人种族有92.6%的视力不佳的风险.
- 基线VFMD低于-9.1dB表明视力不良的危险率为69.8%,而VFMD高于-3.39dB的危险率仅为1.04%.
结论:
- 该研究为临床医生提供预后标志物,以识别具有重大视力丧失危险的IIH患者.
- 一个VFMD比-9.1dB更糟糕,意味着视力不佳的危险.
- 少数群体患者的VFMD比-9.1dB更糟,面临更高的视力损失的风险.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
08:55Translaminar Autonomous System Model for the Modulation of Intraocular and Intracranial Pressure in Human Donor Posterior Segments
Published on: April 24, 2020
相关概念视频
Errors occurring during blood pressure monitoring
Several factors...
Pre-Procedural Guidelines for Assessing Blood Pressure
