Prediction of Postoperative Complication of Pediatric Cataracts Patients using Data Mining Methods (Preprint)
Notice bibliographique
Résumé
BACKGROUND As a severe eye disease, pediatric cataracts threatens the visual development of children. The common treatment is replacing the cloudy lens with an artificial substitute via operation. However, patients may still suffer complications of visual deterioration within one year after surgery. Worse still, factors causing these complications are still unknown. OBJECTIVE This research adopts medical records from 321 patients as research material. We aim to apply data mining methods to predict postoperative complications of pediatric cataracts patients and explore which factors are related to these complications. METHODS First, we use random forest and naïve Bayesian classifier to predict the level of complication based on k-modes clustering towards the imbalanced datasets. Furthermore, genetic feature selection is exploited to find real features related to complications. In addition, apriori algorithm is employed to find the association rules whose consequent is complication to offer references for doctors. Finally, the relationship between the classification performance and the number of random forest tree is studied. RESULTS Average classification accuracies obtained in three binary classification problems (whether a patient suffers from complications, the first and second type of complication) are over 91%. Experimental results show that secondary IOL placement, operation mode, laterality, age at surgery, area of cataracts, density of cataracts, position of cataracts, nystagmus, microphthalmia, microcornea and persistent hyperplastic primary vitreous（PHPV）are related to complications. Except for the gender, operation mode and laterality, other attributes are related to the first type of complication. Except for the operation mode, laterality and PHPV attribute; other attributes are related to the second type of complication. CONCLUSIONS All experimental results shows the postoperative complication of pediatric cataracts patients can be predicted with the information of patients. Then the factors that are related to the complications are found. Finally, the association rules that is about the complications can provide reference to doctors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».