Predicting Pattern Standard Deviation in Glaucoma: A Machine Learning Approach Leveraging Clinical Data
Notice bibliographique
Résumé
Visual field (VF) testing is crucial for the management of glaucoma. However, the process is often hindered by technician shortages and reliability issues. In this study, we leveraged machine learning to predict pattern standard deviation (PSD) using clinical inputs. This machine learning retrospective study used publicly accessible data from 743 eyes (541 glaucoma and 202 non-glaucoma controls). An automated neural network (ANN) model was trained using seven clinical input features: mean retinal nerve fiber layer (RNFL), IOP, patient age, CCT, glaucoma diagnosis, study protocol, and laterality. The ANN demonstrated efficient training across 1000 epochs, with consistent error reduction in training and test sets. Mean RMSEs were 1.67 ± 0.05 for training, and 2.27 ± 0.27 for testing. The r was 0.89 ± 0.01 for training, and 0.81 ± 0.04 for testing, indicating strong predictive accuracy with minimal overfitting. The LOFO analysis revealed that the primary contributors to PSD prediction were RNFL, CCT, IOP, glaucoma status, study protocol, and age, listed in order of significance. Our neural network successfully predicted PSD from RNFL and clinical data with strong performance metrics, in addition to demonstrating construct validity. This work demonstrates that neural networks hold the potential to predict or even generate VF estimations based solely on RNFL and clinical inputs.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».