מטרת החוקרים היתה להעריך מודלים מרובים של למידת מכונה (machine learning - ML) לחיזוי תגובות חדות ראייה (visual acuity - VA) לאחר שנתיים עם טיפול בגורם גדילה אנדותלי אנטי-ווסקולרי (אנטי-VEGF) בהשוואה לטיפולים בניוון מקולרי הקשור לגיל (Age-related Macular Degeneration - AMD) (treatment trials - CATT) עבור חולים עם AMD ניאווסקולרי.
עוד בעניין דומה
המחקר בוצע במתכונת של אנליזה משנית של נתונים ציבוריים ממחקר RCT. במחקר הוכללו 1,029 משתתפי CATT שהשלימו שנתיים של מעקב עם AMD ניאו-וסקולרי פעיל לא מטופל ו-VA התחלתי בין 20/25 ל-20/320.
חמישה מודלים של ML יושמו על נתוני הדמיה קליניים מההתחלה ומשבועות 4, 8 ו-12 לחיזוי ארבעה תוצאים של VA (≥ 15 עלייה ב-15 אותיות ומעלה, אובדן של יותר מ ≥ 15 אותיות, שינוי VA מההתחלה ו-VA בפועל) לאחר שנתיים. נתוני ה-CATT מ-1,029 המשתתפים הוקצו באופן אקראי לאימון (717 חולים), שממנו אומנו המודלים באמצעות אימות צולב פי 10, ולאימות סופי על מערך נתוני מבחן (312 חולים).
הביצועים של מודלים של ML הוערכו על ידי R2 וממוצע שגיאה מוחלטת (mean absolute error - MAE) עבור חיזוי שינוי VA מההתחלה וה-VA בפועל לאחר שנתיים, לפי השטח מתחת לעקומה (area under curve - AUC) עבור חיזוי הישג וירידה ב-VA של ≥ 15 אותיות מההתחלה.
תוצאות המחקר הדגימו כי באמצעות נתוני אימון עד שבוע 12, המודלים של ML מאימות צולב השיגו ממוצע R2 של 0.24 עד 0.29 MAE)י= 9.1-9.8 אותיות) עבור חיזוי שינוי VA ו-0.37 עד 0.41 (MAE= 9.3-10.2 אותיות) עבור חיזוי VA בפועל לאחר שנתיים. ה-AUC הממוצע לחיזוי עלייה ואובדן VA של ≥ 15 אותיות לאחר שנתיים היה 0.84 עד 0.85 ו-0.58 עד 0.73, בהתאמה.
באימות סופי על נתוני הבדיקה שנקבעו עד שבוע 12, למודלים היה R2 של 0.33 עד 0.38 (MAE= 8.9-9.9 אותיות) לחיזוי שינוי VA,יR2 של 0.37 עד 0.45 (MAE= 8.8-10.2 אותיות) עבור חיזוי VA בפועל לאחר שנתיים, ו-AUC של 0.85 עד 0.87 ו-0.67 עד 0.79 עבור ניבוי הישג ואובדן של VA של ≥ 15 אותיות, בהתאמה.
החוקרים הסיקו כי למודלים של ML יש פוטנציאל לחזות תגובת VA לאחר שנתיים עם טיפול נוגדי VEGF תוך שימוש בתכונות קליניות והדמיה, מה שיכול לסייע בקבלת החלטות סביב פרוטוקולי טיפול בחולים עם AMD ניאו-וסקולרי.
מקור:
הירשמו לקבלת עדכונים בנושאים שעלו בכתבה
תגובות אחרונות