Development of a Neural Network to Predict Optimal IOP Reduction in Glaucoma Management
Notice bibliographique
Résumé
Glaucoma management relies on lowering intraocular pressure (IOP), but determining the target reduction at presentation is challenging, particularly in normal-tension glaucoma (NTG). We developed and internally validated a neural network regression model using retrospective clinical data from Qiu et al. (2015), including 270 patients (118 with NTG). A single-layer artificial neural network with five nodes was trained in MATLAB R2024b using the Levenberg-Marquardt algorithm. Inputs included demographic, refractive, structural, and functional parameters, with IOP reduction as the output. Data were split into 65% training, 15% validation, and 20% testing, with training repeated 10 times. Model performance was strong and consistent (average RMSE: 1.90 ± 0.29 training, 2.18 ± 0.34 validation, 2.11 ± 0.30 testing; Pearson's r: 0.92 ± 0.02, 0.88 ± 0.02, 0.88 ± 0.04). The best-performing model achieved RMSEs of 1.57, 2.90, and 1.77 with r values of 0.93, 0.91, and 0.93, respectively. Feature ablation revealed significant contributions from IOP, axial length, CCT, diagnosis, VCDR, spherical equivalent, mean deviation, and laterality. This study demonstrates that a simple neural network can reliably predict individualized IOP reduction targets, supporting personalized glaucoma management and improved outcomes.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».