重复低强度红光照射和0.01%阿托品滴眼液对儿童青少年近视防控效果的比较

目的比较重复低强度红光照射和0.01%低浓度阿托品对儿童青少年近视的防控效果。方法回顾性病例对照研究。纳入苏州大学理想眼科医院2020年4月至2021年4月儿童青少年近视160例(320只眼),年龄8~14岁。所有受试者均配戴普通框架眼镜,按不同方式分为3组:A组,重复低强度红光照射60例(120只眼);B组,0.01%阿托品滴眼液组50例(100只眼);另选50例(100只眼)为C组,对照组。随访12个月,分析等效球镜屈光度(SE)及眼轴长度。结果应用后6个月及12个月的SE:A组分别为(-2.60±2.76)D及(-2.84±1.53)D,明显低于B组的(-3.19±1.36)D、(-3.56±1.35)D和C组的(-4.02±1.22)D、(-4.91±1.18)D,总体差异均具有统计学意义(F_(时间)=906.56,F_(组别)=17.24,F_(时间×组别)=1096.98;均P<0.001);B组明显低于C组,差异具有统计学意义(P<0.05)。眼轴长度:A组的(24.84±1.02)mm,(24.87±0.99)mm明显低于B组的(25.15±0.77)mm,(25.31±0.76)mm和C组的(25.14±0.87)mm,(25.36±0.84)mm,差异均具有统计学意义(F_(时间)=203.95,F组别=3.18,F_(时间×组别)=315.14;P<0.001,P=0.043,P<0.001),B、C两组间差异无统计学意义(P>0.05)。结论重复低强度红光照射及0.01%阿托品滴眼液均能有效控制青少年近视度数进展和眼轴增长。而重复低强度红光照射控制眼轴增长的效果更优。

基于H2O平台自动化机器学习的糖尿病视网膜病变预测模型的建立

目的利用H2O平台推出的自动化机器学习(AutoML)算法,建立预测糖尿病(DM)视网膜病变(DR)模型。方法纳入2019年1月-2021年1月于本院就诊的606例DM患者,根据眼底照相分为单纯DM组(DM组,303例)及DM合并DR组(DR组,303例)。采集两组患者基本情况、血生化检测结果及视网膜图像等数据。利用H2O AutoML算法建立针对DR二分类结局,进行变量筛选并建立机器学习预测模型,产生相应预测结果,据此绘制ROC曲线并建立混淆矩阵,绘制SHAP及部分依赖图,评价模型区分能力。结果DR组糖尿病病程长于DM组,吸烟、饮酒、高血压、脂肪肝比例、腰臀比、BMI及收缩压高于DM组,差异有统计学意义(P<0.05);DR组HDL-C低于DM组,FPG、FINS、HOMA-IR、HbA1c、ALT和AST均高于DM组,差异有统计学意义(P<0.05)。将两组特征数据载入AutoML工作环境中,得到最佳模型为通用梯度回归模型(GBM),该模型Gini值0.914,R2为0.679,LogLoss为0.260。重要性排名前3的变量包括FPG、糖尿病病程及FINS。在Train数据集中,ROC曲线下面积为0.942(95%CI:0.921~0.963)。利用混淆矩阵得到特异度为0.924,敏感度为0.959,准确度为0.942,误分类率为0.058。在Valid数据集中,ROC曲线下面积为0.831(95%CI:0.764~0.897)。利用混淆矩阵得到特异度为0.828,敏感度为0.833,准确度为0.831,误分类率为0.169。结论本次利用AutoML算法建立的通用梯度回归DR患病预测模型可用于DM人群中DR的筛查。