gms | German Medical Science

Zielsetzung: Ziel dieses Projektes ist es, mit Hilfe von Machine Learning den unkorrigierten Visus nach einer Kataraktoperation (vier Wochen) vorherzusagen. Eine solche Vorhersage kann den Operateur dabei unterstützen, dem Patienten eine realistische Einschätzung des zu erwartenden Operationsergebnisses zu vermitteln. Dadurch können möglicherweise Eingriffe, bei denen der Patient mit dem Operationsergebnis unzufrieden ist, drastisch reduziert werden.

Methode: Kooperierende Augenärzte dokumentieren seit mehr als zwei Jahren medizinische Daten entlang des gesamten Behandlungspfads der Katarakt-Therapie. Insgesamt wurden 4706 vollständige Datensätze erhoben. Als Vorhersagevariable wurden präoperativ erhobene Merkmale verwendet (bspw. Geschlecht, Alter, unkorrigierter Visus, bestkorrigierter Visus mit Brille, Sphäre, Zylinder, Achse). Vier Machine Learning Modelle wurden zur Vorhersage herangezogen: Das Boosted Decision Tree Regression Model, das Bayesian Linear Regression Model, das Neural Network Regression Model und das Linear Regression Model. Die Güte der Vorhersage wurde mit drei in der Literatur häufig verwendeten Metriken überprüft: Der mittlere absolute Fehler (MAE), die mittlere quadratische Abweichung (MSE) und die Wurzel der mittleren quadratischen Abweichung (RMSE). Die Evaluierung der Modelle erfolgte mit einer k-fachen Kreuzvalidierung mit k= 10.

Ergebnis: Das Boosted Decision Tree Regression Model lieferte die beste Performance, mit Werten von MAE= 0.093, MSE= 0.023 und RMSE= 0.152. Das Bayesian Linear Regression Model erreichte Werte von MAE= 0.127, MSE= 0.032 und RMSE= 0.181. Das Linear Regression Model erreichte Werte von MAE= 0.125, MSE= 0.034 und RMSE= 0.185. Das Neural Network Regression Model zeigte die schlechteste Performance mit MAE= 0.148, MSE= 0.037 und RMSE= 0.194.

Schlussfolgerung: Unsere Ergebnisse zeigen, dass es grundsätzlich möglich ist, die visuelle Rehabilitation nach einer Kataraktoperation vorherzusagen. Die Variation in der Performance der verschiedenen Machine Learning Modelle ist dabei konsistent mit den Ergebnissen anderer Studien. Unser nächstes Ziel ist es, diejenigen präoperativen Merkmale zu identifizieren, die den größten Einfluss auf die Vorhersage haben.