组装机器学习预测模型用于临床折射,使用童年部分干扰测量测量

科学领域:

• 眼科医生 眼科 眼科
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 童年折射误差,包括近视,是越来越严重的公共卫生问题.
• 准确预测折射误差对于及时干预和管理至关重要.
• 现有的预测模型可能无法完全捕捉眼部生物识别参数的复杂相互作用.

研究的目的:

• 开发和评估整体机器学习模型,用于预测儿童的临床折射.
• 将这些新型模型的准确性与传统的回归技术进行比较.
• 用模型来模拟眼睛参数和折射误差之间的关系.

主要方法:

• 从1965名患者 (5-16岁) 的年龄,性别,周期性折射和部分干扰度数据的回顾性分析.
• 开发四种集合回归模型来预测球体等价值 (SE).
• 使用根平均平方误差 (RMSE) 与多重线性回归模型进行模型准确度比较.

主要成果:

• 集成模型实现了高精度的精度,RMSE范围从0.800到0.829二光,与传统模型的1.213二光相比.
• 模拟表明女性性别与更高的近视患病率有关.
• 较长的轴长显示出每单位长度近视折射的抑制增加.

结论:

• 整体机器学习模型有效地使用眼部生物识别参数预测童年折射误差.
• 这些模型为理解折射发育提供了更准确,更有洞察力的工具.
• 这些模型可以模拟假设的场景,以加深对临床折射的理解.