机器学习预测模型基于临床数据的角膜生物力学
1Shenyang Sinqi Eye Hospital Co. Ltd., 4th Floor, Refractive Surgery Center, No. 136, Sanhao Street, Heping District, Shenyang, Liaoning 110004, China.
Photodiagnosis and photodynamic therapy
|October 19, 2025
概括
一个新的机器学习模型使用生物机械和断层扫描数据准确预测折射手术后角膜脱光风险. 这种工具有助于个性化手术规划和早期识别高风险患者.
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:
- Corneal ectasia是在折射手术后的一个视力威胁的并发症.
- 准确的手术前风险评估对于患者的安全和最佳的手术结果至关重要.
- 现有的方法可能无法完全捕捉到促进生殖突发症发展的因素的复杂相互作用.
研究的目的:
- 开发和验证一种机器学习模型,用于预测术后角膜脱光风险.
- 整合多维的术前和术后生物机械和断层学参数.
- 提高折射性手术患者的个性化风险评估.
主要方法:
- 对200名接受LASIK或SMILE的患者进行了回顾性分析.
- 使用最小绝对收缩和选择运算符 (LASSO) 回归的特征选择.
- 通用线性模型 (GLM),梯度增强机 (GBM) 和支持向量机 (SVM) 算法的比较.
- 对最佳SVM模型的前景验证.
主要成果:
- 拉索确定了关键预测因素:手术前角膜厚度 (PreopCCT),最大角膜测量 (PreopKmax),角膜歇斯底里 (CH),角膜抵抗因子 (CRF) 和早期术后变化.
- 在交叉验证中,SVM模型表现出卓越的性能,AUC为0.88.
- 展望验证显示了高精度 (AUC = 0.984),灵敏度 (0.88),和特异性 (0.90) 与良好的校准.
结论:
- 优化的SVM模型提供了一个可靠的,数据驱动的方法,用于个性化的催产素风险评估.
- 结合生物机械和断层扫描特征,可以早期识别高风险患者.
- 支持个性化手术规划和术后监测,尽管需要进一步验证.
