屈光手术标准化数据平台构建及应用

从数据库类型、建立过程、数据标准化等方面介绍屈光手术标准化数据平台构建,阐述其临床应用,分析数据共享与安全保护情况,为高效、准确、合理利用屈光手术大数据奠定基础。

基于机器学习的数据模型辅助诊断亚临床期圆锥角膜的研究

目的探讨基于机器学习的数据模型对于正常角膜、亚临床圆锥角膜和圆锥角膜的诊断情况。方法诊断性研究。收集2016年1月至2019年1月就诊于天津市眼科医院年龄(28.4±8.2)岁的近视眼患者2018例。由2名经验丰富的眼科专家根据角膜地形图诊断并标注为圆锥角膜、亚临床圆锥角膜和正常角膜。采用计算机随机采样方法随机选取其中80%(1615例)患者的数据作为训练集,另20%(403例)患者的数据作验证集。借助梯度提升树(GBDT)算法提取28个角膜参数特征,建立数据模型对患者角膜情况进行诊断,采用十折交叉验证法验证模型的诊断准确率,并采用受试者工作特征曲线评价数据模型与标注情况及高年资住院医师标注情况的敏感度与特异度。结果模型诊断准确率为95.53%。验证集受试者工作特征曲线下面积(AUC)为0.9966。模型诊断亚临床圆锥角膜与正常角膜的准确率为96.67%,验证集AUC为0.9936;诊断圆锥角膜与正常角膜的准确率为98.91%,验证集AUC为0.9982。模型的诊断准确率为95.53%,明显优于高年资住院医师(93.55%)。结论借助机器学习方法建立的数据模型诊断亚临床期圆锥角膜有较高的准确率,可极大提升年轻和基层医师的临床诊断效率和准确率。

利用机器学习方法研究不同年龄近视眼和近视散光人群眼波前像差的分布规律

目的探讨不同年龄近视眼和近视散光人群的低阶像差和高阶像差的分布规律。方法横断面研究。连续收集2013年1月至2017年7月于天津市眼科医院屈光手术中心进行像差检查的近视眼和近视散光人群资料,均取其右眼数据用于分析。所有受试者进行Wavescan波前像差仪、裂隙灯显微镜、主觉验光和最佳矫正视力(BCVA)检查。每例受试者检查结果数据为32项,包括受试者年龄、BCVA、低阶像差(球镜度数、柱镜度数和散光轴位)以及高阶像差(3~6阶像差的Zernike多项式系数及其均方根)。将年龄分为5个值域,其他特征分为3个值域,采用关联规则挖掘中的频繁模式增长算法进行机器学习,分别用置信度和支持度来表示年龄与不同特征关联规则的真实性和频率。结果最终纳入1507例受试者,其中男性694例,女性813例;年龄为(23.28±5.45)岁。高阶像差在年龄从低到高的人群中呈现降低的趋势,最低值出现在25~30岁人群[3阶像差均方根(低均方根的置信度为47.74%)、4阶像差均方根(低均方根的置信度为86.01%)和三叶草像差(x和y轴方向低均方根的置信度分别为56.38%和73.25%)]和30~35岁[初级球差(低像差的置信度为56.10%)和垂直彗差(像差的置信度为56.91%)],然后又随年龄段增大。顺规散光随人群年龄段增大逐渐减少,而逆规和斜轴散光则逐渐增多(顺规散光的置信度在由低到高的年龄段人群中分别为88.66%、84.71%、81.07%、79.67%和66.35%,呈降低趋势,而逆规和斜轴散光逐渐增加)。结论随着年龄的增长,人群中顺规散光减少,逆规散光增加;25~35岁人群的高阶像差最低。