使用非cycloplegic数据和机器学习在儿童和青少年中预测循环球等效折射 - 中国,2020-2024年

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:

• 周期性折射是儿科折射误差评估的标准.
• 物流方面的挑战限制了它在大规模人口调查中的使用.

研究的目的:

• 开发和验证机器学习模型,用于估计儿童的循环折射误差,使用非循环折数据和眼部生物识别.
• 为儿童群体的折射误差监测提供一个可行的替代方案.

主要方法:

• 分析来自中国全国眼部健康调查 (2020-2024) 的数据.
• 5-18岁的参与者接受了非循环和循环自折射,轴长 (AL) 和角膜半径 (CR) 测量.
• 随机森林和XGBoost模型经过训练,使用非循环的SE,未经校正的视力敏度 (UCVA) 和生物识别参数 (AL,CR,AL/CR比率) 来预测循环的球形等价值 (SE).

主要成果:

• 随机森林 (R2=0.88,RMSE=0.55 D) 和XGBoost (R2=0.89,RMSE=0.54 D) 两种模型都显示出高的预测准确度.
• 关键预测因素包括非cycloplegic SE,AL/CR比率,AL和UCVA.
• 预测的SE表现出与周期性SE的强烈一致,偏差最小.

结论:

• 机器学习模型整合非循环性SE和眼部生物识别可以准确地估计儿童和青少年的循环性SE.
• 这种方法为大规模的折射误差监测提供了一种实用和有效的方法,克服了传统的循环折射的局限性.