使用机器学习预测手术 SMILE 纠正近视眼睛中长期未经纠正的远距离视力敏度
Xiaonan Yang1,2, Lanqin Zhao1, Qiting Feng1
1Zhongshan Ophthalmic Center, Sun Yat-sen University, WHO Collaborating Centre for Eye Care and Vision, State Key Laboratory of Ophthalmology, Guangdong Provincial Key Laboratory of Ophthalmology and Visual Science, Guangdong Provincial Clinical Research Center for Ocular Diseases, Guangzhou, China.
BMJ open ophthalmology
|September 26, 2025
概括
机器学习模型可以有效地预测近视的小切口镜片提取 (SMILE) 手术后的长期视力敏度. 极端随机回归树 (extraTrees) 模型在预测未经纠正的远距离视力敏度 (UDVA) 中表现最好.
科学领域:
- 眼科医生 眼科 眼科
- 医疗人工智能 医疗人工智能
- 计算生物学 计算生物学
背景情况:
- 小切口镜片提取 (SMILE) 是近视的常见折射手术.
- 预测SMILE后的长期视觉结果对于患者管理至关重要.
- 机器学习 (ML) 为准确的视力敏度预测提供了潜力.
研究的目的:
- 开发和评估ML模型来预测SMILE后的长期未经纠正的远距离视力敏度 (UDVA).
- 确定影响UDVA后微笑的关键预测特征.
- 为了比较不同的ML算法对这个预测任务的性能.
主要方法:
- 追溯队列研究,包括来自440名患者的873只眼睛.
- 收集的数据包括医疗记录和手术参数.
- 他们使用了五种ML算法:LASSO,随机森林,extraTrees,GBM和XGBoost.
- 模型性能使用根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 进行评估.
主要成果:
- 额外Trees模型表现出最高的性能,具有最低的RMSE (0.1162) 和MAE (0.0850).
- UDVA的关键预测因素包括球形等价物,镜形光区,明显折射,手术前的CDVA和帽子厚度.
- 长期UDVA的分布范围从-0.1760到0.7960 logMAR之间.
结论:
- ML,特别是extraTrees模型,可以有效地预测SMILE后的长期UDVA.
- 需要进一步研究更多的特征和样本,以提高预测准确度.
- 限制包括将球体和圆柱体视为独立变量,尽管影响被认为是轻微的.
