比较不同预测模型的青光眼筛查

文摘

目的:本研究分析风险评估的可能性患青光眼的风险在此期间1年的基于“数量”(由神经纤维分析仪)通过使用大量的参数收集的几种不同的眼睛检查技术的初步调查。方法:在上述研究中,共有336名患者的风险增加有青光眼进行了分析。完整的眼科检查包括活组织镜检查视神经头,消色差自动视野测量(汉弗莱场分析仪),定量阀瓣(地形扫描系统,顶部®)和神经纤维层测量股票指数型基金(神经纤维层分析仪,简称eft®)的学习和一年之后。三个视野参数(平均偏差、标准偏差修正模式,青光眼障碍测试),7地形和19个偏振参数被用于这些统计分析。问题被认为是回归问题(RP)以及一个分类问题(CP):最简单的预测,这是“数量”初步调查(CP),线性判别分析没有,向前逐步变量选择算法(CP),四个不同的分类树分析(CP)和不同类型的神经网络:回归网络(RP),线性网络(CP)和三层感知器网络(CP)与各种变量选择算法和网络体系结构来构建模型有足够的预测能力。所有模型,除了简单的预测进行了独立的测试集数据,以确保第一泛化为新病人其次,结果不是工件的培训过程。模型的性能是衡量利率敏感性和特异性CPs,多个预测与实际结果之间的相关系数回归网络的样本。由于大量的计算,模型计算正确的眼睛。结果:简单的预测显示特异性率为73%(95%置信区间:65 - 80%)基于观测。以下特异性利率可能会发现在测试样品:线性判别分析(LDA)没有变量选择算法无法应用,LDA +变量选择算法:85%(95%置信区间:75 - 93%),四种不同的模型基于分类树分析:87%(95%置信区间:70 - 96%),90%(95%置信区间:74 - 98%),%),87%(95%置信区间:70 - 96%)和71%(95%置信区间CI: 52 - 86%);线性神经网络(不是所有的目光都分类由于怀疑选项)95%(95%置信区间:75 - 100%)和三层感知器网络(也有怀疑选项):100%(95%置信区间:81 - 100%)。简单的预测显示,敏感率为76%(95%置信区间:69 - 83%)基于观测。以下利率敏感性测试样品:LDA没有变量选择算法无法应用,LDA +变量选择算法:61%(95%置信区间CI: 49 - 72%),四种不同的模型基于分类树分析:63%(95%置信区间CI: 47 - 77%), 58%(95%置信区间CI: 42 - 72%), 63%(95%置信区间CI: 47 - 77%)和61%(95%置信区间CI: 44 - 75%);线性神经网络(不是所有的目光都分类由于怀疑选项):78%(95%置信区间CI: 56 - 100%)和三层感知器网络(也有怀疑选项):88%(95%置信区间CI: 47 - 100%)。回归网络显示相关性为0.63(95%置信区间:0.49—-0.76)。结论:本研究产生负面结果的最初的考试,因为尽管不同方法没有八认为,相当复杂的模型显示明显更好的性能比简单的预测。自“数量”的意思是没有明显改变,“数量”的相关(初始考试vs发现1年)温和的在最好的情况下,我们建议延长预测期2甚至5年。更长的预测期间,可能发生变化的“数量”,进一步可以试图找到预测模型,可以作为临床医生的早期预警系统。

计算和数学方法在医学

文摘

版权

更多相关文章