开发和临床验证DMEK风险和结果预测 (DROP) 评分:一个动态的时间机器学习框架
Feyza Dicle Işık1, Emine Esra Karaca1, Kasim Oztoprak2
1Department of Ophthalmology, Ankara Bilkent City Hospital, University of Health Sciences, 06800 Ankara, Turkey.
新的DMEK风险和结果预测 (DROP) 评分为Descemet膜内皮质角膜整形手术 (DMEK) 提供了个性化的风险评估. 糖尿病和高血压是影响患者结果的关键因素.
科学领域:
- 眼科医生 眼科 眼科
- 角膜外科手术 角膜外科手术
- 医疗信息学 医疗信息学
背景情况:
- 德塞梅特膜内皮质角膜整形术 (DMEK) 需要准确的风险分层,以获得最佳的患者结果.
- 现有的模型可能无法完全整合各种预测因素.
- 需要一个全面的基准模型来进行个性化的DMEK风险评估.
研究的目的:
- 开发和验证DMEK风险和结果预测 (DROP) 评分.
- 将患者,捐赠者,手术和中心特定的参数整合到一个预测模型中.
- 为DMEK后的个性化风险评估提供一个工具.
主要方法:
- DROP评分是使用四个子评分来开发的:患者风险概况 (PRP),捐赠组织质量 (DTQ),手术复杂性指数 (SCI) 和中心性能因子 (CPF).
- 权重是从文献中获得的,并通过灵敏度分析进行验证.
- 临床验证涉及76个DMEK眼睛和89个对照,使用机器学习 (EfficientNetV2B3,随机森林) 和IVCM成像.
主要成果:
- 平均DROP得分为39.35±7.61,其中92.1%为中度和7.9%为高风险病例.
- 高风险患者的12个月最佳校正视敏度 (BCVA) (0.50对0.31 logMAR) 显著降低.
- 糖尿病 (OR: 4.34) 和高血压 (OR: 2.65) 被确定为主要的预后因素.
结论:
- DROP评分为DMEK提供了透明的,个性化的风险评估.
- 糖尿病和高血压是影响DMEK结果的关键系统因素.
- 需要进一步收集前性数据来完全验证DROP评分的四个领域.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
相关概念视频
Predicting Reaction Outcomes
Reliability and Validity
In Vitro Drug Release Testing: Overview, Development and Validation
Introduction to z Scores
z scores...
Introduction to z Scores
z scores...
z Scores and Area Under the Curve
