Development of a Neural Network to Predict Optimal IOP Reduction in Glaucoma Management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découle