基于无监督机器学习识别高眼压患者中与视野快速进展相关的因素
机器学习
2023-09-29 v1 图像与视频处理
定量方法
摘要
目的：基于无监督机器学习识别具有不同视野（VF）进展趋势的高眼压（OHT）亚型，并发现与视野快速进展相关的因素。研究对象：共纳入 1568 名高眼压治疗研究（OHTS）参与者中至少接受五次随访 VF 检查的 3133 只眼。方法：我们使用潜类别混合模型（LCMM），依据标准自动视野检查（SAP）平均偏差（MD）轨迹识别 OHT 亚型。我们基于基线时的人口统计学、临床、眼部和视野因素对亚型进行刻画。随后使用广义估计方程（GEE）识别驱动视野快速进展的因素，并从定性与定量两方面佐证发现。结果：LCMM 模型发现了四个具有不同 MD 恶化轨迹的眼簇（亚型）。各簇眼数分别为 794（25%）、1675（54%）、531（17%）和 133（4%）。根据其 MD 年均下降量（分别为 0.08、-0.06、-0.21 和 -0.45 dB/年）将各簇标记为改善型、稳定型、缓慢进展型和快速进展型。视野快速进展的眼具有更高的基线年龄、眼压（IOP）、图形标准差（PSD）和屈光误差（RE），但更低的中央角膜厚度（CCT）。快速进展与钙通道阻滞剂、男性、心脏病史、糖尿病史、非裔美国人种族、卒中史和偏头痛相关。
引用
@article{arxiv.2309.15867,
title = {Identifying factors associated with fast visual field progression in patients with ocular hypertension based on unsupervised machine learning},
author = {Xiaoqin Huang and Asma Poursoroush and Jian Sun and Michael V. Boland and Chris Johnson and Siamak Yousefi},
journal= {arXiv preprint arXiv:2309.15867},
year = {2023}
}