Novel Quantitative Contrast Sensitivity Function Enhances the Prediction of Treatment Outcome and Recurrence in Amblyopia
Notice bibliographique
Résumé
Purpose: Although effective amblyopia treatments are available, treatment outcome is unpredictable, and the condition recurs in up to 25% of the patients. We aimed to evaluate whether a large-scale quantitative contrast sensitivity function (CSF) data source, coupled with machine learning (ML) algorithms, can predict amblyopia treatment response and recurrence in individuals. Methods: Visual function measures from traditional chart vision acuity (VA) and novel CSF assessments were used as the main predictive variables in the models. Information from 58 potential predictors was extracted to predict treatment response and recurrence. Six ML methods were applied to construct models. The SHapley Additive exPlanations was used to explain the predictions. Results: A total of 2559 consecutive records of 643 patients with amblyopia were eligible for modeling. Combining variables from VA and CSF assessments gave the highest accuracy for treatment response prediction, with the area under the receiver operating characteristic curve (AUC) of 0.863 and 0.815 for outcome predictions after 3 and 6 months, respectively. Variables from the VA assessment alone predicted the treatment response, with AUC values of 0.723 and 0.675 after 3 and 6 months, respectively. Variables from the CSF assessment gave rise to an AUC of 0.909 for recurrence prediction compared to 0.539 for VA assessment alone, and adding VA variables did not improve predictive performance. The interocular differences in CSF features are significant contributors to recurrence risk. Conclusions: Our models showed CSF data could enhance treatment response prediction and accurately predict amblyopia recurrence, which has the potential to guide amblyopia management by enabling patient-tailored decision making.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,006 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».