开发和验证机器学习用于高近视患者的病理变化:一个横截面研究
Huiyi Zuo1, Hai Huang2, Baoyu Huang1
1Ophthalmology Department, The First Affiliated Hospital of Guangxi Medical University, No.6, Shuangyong Road, Nanning, 530000, Guangxi Zhuang Autonomous Region, China.
概括
机器学习模型有效地选高近视患者的早期病理变化. 这些模型利用生活方式和临床数据,帮助临床医生在早期检测和管理.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 病态近视会导致不可逆转的视力损伤.
- 早期发现高近视患者的病理变化具有挑战性.
- 目前的识别方法依赖于OCT和 fundus成像,往往缺少微妙的早期迹象.
研究的目的:
- 开发和验证用于早期检测病理变化的机器学习模型.
- 利用生活方式和临床参数来提高查准确度.
- 为管理高近视患者的临床医生提供辅助工具.
主要方法:
- 收集了529名高近视患者的横截面数据.
- 使用LASSO回归来选择关键变量.
- 使用AUC,灵敏度和特异性构建和评估了随机森林,支向量机,线性支向量机和XGBoost模型.
主要成果:
- 确定了关键的预测变量,包括教育,屏幕时间,阅读习惯,户外活动和眼睛参数 (轴长,角膜厚度,PPA参与).
- 机器学习模型实现了高性能,XGBoost和随机森林在测试组中分别显示了0.839和0.834的AUC.
- 模型显示了良好的校准和临床适用性.
结论:
- 整合生活方式和临床数据的机器学习模型对于查高近视的早期病理变化是有效的.
- 这些模型可以作为临床医生有价值的辅助工具.
- 改善早期检测可以导致更好地管理高近视并发症.
