辅助EVO ICL尺寸选择和术后拱高预测
导 语
准确选择EVO ICL尺寸，是保证术后理想拱高，维持ICL在眼内安全的关键。为了优化EVO ICL尺寸选择方法，提高拱高预测的准确度，复旦大学附属眼耳鼻喉科医院团队探索了大数据和人工智能算法，用于辅助EVO ICL尺寸选择和术后拱高预测。研究结果与2021年9月发表在British Journal of Ophthalmology杂志。
研究方法
患 者
本横断面研究招募了从2015年至2020年在复旦大学附属眼耳鼻喉科医院接受 EVO ICL植入术的患者。共纳入3536例患者的6297只眼（右眼3181例，左眼3116例），男性800人，共1397眼，女性2736人，共4900眼，平均年龄26.1±5.9岁。
检查方法
所有患者术前均接受了全面的眼科检查。由经验丰富的技术人员根据检查参数选择ICL尺寸。术后，使用眼前节分析仪测量眼前节参数和拱高值。平均随访时长为30.5周（1周-270周）。
机器学习
输入参数的选择
通过排列重要性和基于杂质的特征重要性来研究拱高和输入参数之间的关系，包括前房角（ACA），瞳孔大小，眼轴（AL），K1，K2，K1轴，K2轴，球镜，柱镜，前房深度（ACD），角膜厚度（CT），白到白（WTW），等效球镜(SE)、ICL尺寸、ICL类型、ICL球镜、ICL柱镜以及术后随访时间。
拱高及尺寸预测
应用回归模型和分类模型来预测拱高。回归模型包括Lasso、Ridge、Decision Tree、Random Forest、AdaBoost、Gradient Boosting、XGboost 和 SVR（Support Vector Regression）。在分类模型中，根据患者的拱高（μm），将他们分为三组：分别为(0, 250)、(250, 750)和(750, +∞)。分类模型包括Decision Tree, Random Forest, AdaBoost, Gradient Boosting, XGBoost和Support Vector Classification。将数据按照8:2的比例随机分为训练集和测试集。R2和均方根误差(RMSE)作为回归模型的评估指标，分类模型的准确度和曲线下平均面积(AUC)作为分类模型的评估指标。
使用Random Forest，Gradient Boosting，XGBoost来构建预测ICL尺寸的模型。
导 语
准确选择EVO ICL尺寸，是保证术后理想拱高，维持ICL在眼内安全的关键。为了优化EVO ICL尺寸选择方法，提高拱高预测的准确度，复旦大学附属眼耳鼻喉科医院团队探索了大数据和人工智能算法，用于辅助EVO ICL尺寸选择和术后拱高预测。研究结果与2021年9月发表在British Journal of Ophthalmology杂志。
研究方法
患 者
本横断面研究招募了从2015年至2020年在复旦大学附属眼耳鼻喉科医院接受 EVO ICL植入术的患者。共纳入3536例患者的6297只眼（右眼3181例，左眼3116例），男性800人，共1397眼，女性2736人，共4900眼，平均年龄26.1±5.9岁。
检查方法
所有患者术前均接受了全面的眼科检查。由经验丰富的技术人员根据检查参数选择ICL尺寸。术后，使用眼前节分析仪测量眼前节参数和拱高值。平均随访时长为30.5周（1周-270周）。
机器学习
输入参数的选择
通过排列重要性和基于杂质的特征重要性来研究拱高和输入参数之间的关系，包括前房角（ACA），瞳孔大小，眼轴（AL），K1，K2，K1轴，K2轴，球镜，柱镜，前房深度（ACD），角膜厚度（CT），白到白（WTW），等效球镜(SE)、ICL尺寸、ICL类型、ICL球镜、ICL柱镜以及术后随访时间。
拱高及尺寸预测
应用回归模型和分类模型来预测拱高。回归模型包括Lasso、Ridge、Decision Tree、Random Forest、AdaBoost、Gradient Boosting、XGboost 和 SVR（Support Vector Regression）。在分类模型中，根据患者的拱高（μm），将他们分为三组：分别为(0, 250)、(250, 750)和(750, +∞)。分类模型包括Decision Tree, Random Forest, AdaBoost, Gradient Boosting, XGBoost和Support Vector Classification。将数据按照8:2的比例随机分为训练集和测试集。R2和均方根误差(RMSE)作为回归模型的评估指标，分类模型的准确度和曲线下平均面积(AUC)作为分类模型的评估指标。
使用Random Forest，Gradient Boosting，XGBoost来构建预测ICL尺寸的模型。
