期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
斜视矫正术后发现屈光指数性近视眼一例 被引量:2
1
作者 董凤 牛兰俊 +1 位作者 颜世传 史传衣 《中华眼科杂志》 CSCD 北大核心 2017年第8期622-623,共2页
患者女性,23岁。因发现左眼间断向外偏斜半年,于2015年2月1日就诊于苏州理想眼科医院斜视与小儿眼科门诊。患者诉近半年间断出现左眼向外偏斜,无复视,无眼球运动受限。否认头颅外伤史,否认代谢谢疾病及血管病史,既往双眼视力大致... 患者女性,23岁。因发现左眼间断向外偏斜半年,于2015年2月1日就诊于苏州理想眼科医院斜视与小儿眼科门诊。患者诉近半年间断出现左眼向外偏斜,无复视,无眼球运动受限。否认头颅外伤史,否认代谢谢疾病及血管病史,既往双眼视力大致正常。初诊时查:远视力:右眼1.0, 展开更多
关键词 斜视矫正 屈光指数 术后发现 近视眼 眼球运动受限 眼科门诊 眼科医院 双眼视力
原文传递
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 被引量:2
2
作者 马根方 颜世传 +1 位作者 赵光辉 王坤 《中华眼外伤职业眼病杂志》 2023年第8期561-565,共5页
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... 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。 展开更多
关键词 近视 儿童 青少年 防控 重复低强度红光照射 滴眼液 阿托品
原文传递
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
3
作者 王慧霞 张玉婷 朱曼辉 《医学信息》 2023年第22期8-13,共6页
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... 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。 展开更多
关键词 糖尿病视网膜病变 自动化机器学习 预测模型 混淆矩阵 SHAP可视化 部分依赖图
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部