Разработка модели машинного обучения для прогноза результата склеропластики у детей.

д.м.н. Костенев Сергей Владимирович

к.м.н. Кечин Евгений Владимирович

аспирант Шихалиева Эльвира Абдулжалиловна

Актуальность

Близорукость является наиболее распространенной аномалией рефракции и ведущей причиной снижения остроты зрения во всем мире

По оценкам, к 2050 году число близоруких увеличится до 4,76 миллиарда человек, а это в свою очередь составляет 49,8% мирового населения. (Holden B. et al. 2016)

Рис.1 Модель визуально регулируемого контроля роста глаз и состояния рефракции

Holden, B. A., Fricke, T. R., Wilson, D. A., Jong, M., Naidoo, K. S., Sankaridurg, P., Wong, T. Y., Naduvilath, T. J., & Resnikoff, S. (2016). Global Prevalence of Myopia and High Myopia and Temporal Trends from 2000 through 2050. Ophthalmology, 123(5), 1036–1042

Хирургическое лечение

«малая» (малоинвазивная) склеропластика

«большая» (бандажирующая) склеропластика

по модифицированной методике Снайдер-Томпсона

Модификации методик М. В. Зайковой, по Н.Н. Пивоварову, по Э.С. Аветисову - Е.П. Тарутте.

​

Федеральные клинические рекомендации "Миопия" (одобрены Минздравом России) 2024г. [Federal clinical guidelines "Myopia" (approved by the Ministry of Health of the Russian Federation) 2024г.]

Тарутта Е.П., Иомдина Е.Н., Кружкова Г.В., Маркосян Г.А. Отдаленные результаты склерореконструктивного лечения прогрессирующей миопии//Российский офтальмологический журнал. - 2011. - Т. 4, N 1. - С. 71 - 75. [Tarutta E.P., Iomdina E.N., Kruzhkova G.V., Markosyan G.A. Long-term results of scleroreconstructive treatment of progressive myopia//Russian Ophthalmological Journal. - 2011. - vol. 4, N 1. - pp. 71-75.]

Цель исследования – разработать модель машинного обучения для прогнозирования исхода склеропластики у детей через 12 месяцев после операции

Медико-демографические показатели пациентов включенных в набор данных для разработки моделей машинного обучение для бинарной классификации исхода склеропластики через 12 мес после операции представлен в табл. 1.

Таблица 1 - Медико-демографические показатели пациентов

Рисунок 1 – Матрица корреляций по Спирмену между данными до склеропластики и годовым градиентом прогрессирования

Разработка моделей машинного обучения для бинарной классификации прогноза результата склеропластики

Таблица 2 – Метрики качества моделей машинного обучения для бинарной классификации исхода (благоприятный / неблагоприятный) склеропластики у детей через 12 месяцев

Рисунок 2 – ROC кривая модели Extra Trees Classifier для бинарной классификации исхода результата склеропластики у детей через 12 месяцев (0 класс – благоприятный исход, 1 класс – неблагоприятный исход)

Матрица ошибок на наблюдениях тестового набора данных модели Extra Trees Classifier для бинарной классификации исхода результата склеропластики у детей через 12 месяцев представлена на рис. 3. Из данных матрицы видно, что модель в 70% случаев предсказывает верно благоприятный исход и также в 70% случаев верно предсказывает неблагоприятный исход

Разработаны 19 моделей машинного обучения для бинарной классификации исхода склеропластики у детей через 12 месяцев после операции (благоприятный / неблагоприятный исход), среди которых наилучшее качество по метрике AUC показала модель Extra Trees Classifier (AUC 0,79), точность (accuracy) модели прогнозирования исхода составила 0,70.

​

Рисунок 3 – Матрица ошибок на наблюдениях тестового набора данных модели Extra Trees Classifier для бинарной классификации исхода результата склеропластики у детей через 12 месяцев (0 класс – благоприятный исход, 1 класс – неблагоприятный исход

Результаты