Neural Network-Based Prediction of Post-Operative Visual Outcomes Following Secondary Pediatric Intraocular Lens Implantation
Notice bibliographique
Résumé
OBJECTIVES: To develop a proof-of-concept machine learning (ML) neural network model to predict post-operative visual outcomes in children with congenital cataracts undergoing intraocular lens (IOL) implantation, thereby guiding the optimal timing for IOL insertion. Determining the ideal timing and predicting outcomes for IOL implantation in children remains clinically complex due to variability in eye development and measurement accuracy. METHODS: Retrospective analysis using a publicly available dataset from 110 children diagnosed with congenital cataracts, who underwent IOL implantation at the Eye and ENT Hospital of Fudan University. A neural network model with a hidden layer of 10 nodes was developed in MATLAB 2024a using the scaled conjugate gradient algorithm. Input variables included demographic and clinical features; the target was achieving visual acuity greater than 20/40. Performance metrics were evaluated using cross-entropy loss, sensitivity, specificity, and accuracy. RESULTS: Training completed after 14 epochs with the test set reaching the highest performance metrics: 88.2% accuracy, 88.9% sensitivity, and 87.5% specificity. ROC curve analysis showed AUC values of 0.942 (training), 0.920 (validation), 0.885 (test), and 0.917 (overall). CONCLUSIONS: The neural network effectively predicted post-operative visual outcomes, offering potential clinical utility in guiding IOL implantation decisions. Despite limitations in dataset diversity, this study lays the foundation for future development of personalized strategies in pediatric cataract care.
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 | 0,000 | 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 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 ».