常规血液检查和机器学习可以识别高近视的并发症
Shengjie Li1,2,3,4, Jun Ren5, Fenglin Wang6
1Department of Clinical Laboratory, Eye & ENT Hospital, Fudan University, Shanghai, China. lishengjie6363020@163.com.
Nature communications
|March 14, 2026
概括
一个新的机器学习模型使用常规血液测试来识别高近视严重并发症高风险的个体. 这种基于血液的查方法有助于早期检测和转诊,防止不可逆转的视力丧失.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 高度近视会对严重的眼睛疾病造成严重的风险,如玻璃眼和视网膜脱落,导致不可逆转的视力丧失.
- 目前的查方法依赖于专门的成像和有限的专家可用性,阻碍了广泛的人口查.
研究的目的:
- 开发和验证一种机器学习模型,使用常规血液检测结果识别高近视并发症风险增加的个体.
- 评估模型在现实世界查环境中的准确性和有效性.
主要方法:
- 一个机器学习模型被开发和验证,使用来自多个中心的10,661名参与者的数据.
- 该模型的表现进一步在独立的队列和涉及311,254名成年人的大型社区查研究中进行了评估.
主要成果:
- 该模型在不同中心显示出高精度 (AUROC 0.9010-0.9649).
- 它成功地标记了被诊断为高近视并发症的个体在前性后续研究中.
- 在社区查中,该模型改善了被引用个人的并发症检测率 (PPV=74%).
结论:
- 一种可扩展的,基于血液的机器学习方法可以有效地识别高近视并发症高风险的个体.
- 这种方法支持初级保健和社区环境中的机会性查,使得眼科医生能够更早地转诊,并可能预防视力丧失.
