[在阻塞性睡眠呼吸暂停和高血压患者中开发基于OCTA的视网膜病变风险预测模型]

科学领域:

• 眼科和睡眠医学 眼科和睡眠医学
• 生物医学工程 生物医学工程
• 医疗保健中的人工智能

背景情况:

• 阻塞性睡眠呼吸暂停 (OSA) 和高血压是常见的并发症.
• 视网膜病变是一种与OSA和高血压相关的严重并发症.
• 早期识别风险因素对于预防视力丧失至关重要.

研究的目的:

• 为了确定患有OSA和高血压的患者视网膜病变的危险因素.
• 开发基于机器学习 (ML) 的风险预测模型.
• 将光连贯断层扫描血管学 (OCTA) 衍生的视网膜微血管参数集成到ML模型中.

主要方法:

• 招募了98名患有OSA和高血压的成年患者.
• 收集了临床特征,多睡眠学 (PSG) 指数和OCTA参数.
• 开发和评估了五种ML模型:逻辑回归,决策树 (DT),随机森林 (RF),支持矢量机 (SVM) 和XGBoost.

主要成果:

• 视网膜病变组显示出明显更高的呼吸暂停-呼吸暂停指数 (AHI),氧气脱度指数 (ODI) 和较低的最小SPO2,以及受损的OCTA-VLD.
• XGBoost模型实现了最高的预测性能,AUC为0.940.
• SHAP分析确定VLD,AHI和最小SpO2为主导预测因素,为模型的决策贡献了68.3%.

结论:

• 基于XGBoost的多式模式,整合了OCTA和PSG生物标志物,可以在OSA-高血压并发症中精确地分层视网膜病变的风险.
• 这种非侵入性框架提供了一个可量化的工具,用于预测目标器官损伤的早期风险.
• 临床翻译可以指导个性化干预措施,以减轻高风险人群的系统性并发症.