对于职业健康中的计算机视觉综合征的探索性机器学习模型
Magda Isabel Sebinha1, Ana Paula Oliveira1,2, Clara Martinez-Perez1
1Instituto Superior de Educação e Ciências de Lisboa (ISEC Lisboa), Lisboa, Portugal.
Digital health
|September 29, 2025
概括
预测模型对确定工人计算机视觉综合征 (CVS) 风险充满希望. 机器学习,特别是XGBoost和后勤回归实现了最高的准确性,突出了人口和行为因素的重要性.
科学领域:
- 职业健康 职业健康 职业健康
- 数字健康数字健康
- 机器学习应用 机器学习应用
背景情况:
- 计算机视觉综合征 (CVS) 是由于大量使用数字设备而导致的日益严重的职业健康问题.
- 缺乏可靠的预测模型阻碍了在工作场所有效识别CVS风险.
- CVS-Q©问卷是定义和评估CVS案件的黄金标准.
研究的目的:
- 评估和比较计算机视觉综合征 (CVS) 的传统和机器学习 (ML) 预测模型.
- 根据CVS-Q©问卷,评估这些模型在识别CVS病例时的准确性.
- 在职业环境中确定CVS的关键预测因素.
主要方法:
- 一项涉及90名葡萄牙工人定期使用数字显示设备的横截面研究.
- 通过自行管理的人口统计,折射误差,屏幕时间和CVS症状 (CVS-Q©) 的问卷收集数据.
- 开发和比较后勤回归和ML模型 (RF,GBM,XGBoost,SVM) 与SMOTE增强和5倍交叉验证.
主要成果:
- 后勤回归和XGBoost实现了最高的精度 (70.6%) 和辨别能力 (AUC 0.773和0.758).
- 所有模型都显示出高灵敏度 (≥72.7%),但特异性不同 (16.7%50%).
- 女性的性别是后勤回归的重要预测因素;性别,屏幕时间和年龄是ML模型中的关键因素;折射误差的影响最小.
结论:
- 预测建模,特别是使用人口和行为变量,显示了职业CVS风险识别的潜力.
- 该研究的初步发现需要在更大,更具代表性的队列中进行验证.
- 需要进一步的研究来确认这些预测模型的可扩展性和临床实用性.
