Apprentissage automatique de données de masse pour prédire les résultats de chirurgies réfractives

REFRACTIVE Israel – mechentel news – Asaf Achiron et al ont conclu, dans une étude parue dans le magazine scientifique Journal of Refractive Surgery en septembre 2017, que le modèle étudié pouvait soutenir la prise de décision clinique et pourrait mener à une meilleure évaluation des risques individuels dans la chirurgie réfractive. Les auteurs ont voulu développer un champ de décision pour la prédiction des résultats de la chirurgie réfractive laser. Les données de cas de patients consécutifs ayant subi une chirurgie LASIK ou photoréfractive durant une période de 12 mois dans un seul centre ont été rassemblées. Des classificateurs d’apprentissage et des tests ont été effectués avec un algorithme de classification statistique. Un champ de décision a été créé avec les vecteurs caractéristiques extraits des 17 592 cas et 38 paramètres cliniques de chaque patient. Une procédure de validation croisée a été appliquée pour estimer la valeur prédictive du champ de décision à appliquer à de nouveaux patients. Des patients de moins de 40 ans non traités pour la monovision ont été inclus. Une efficacité de 0.7 ou plus et 0.8 ou plus a été atteinte dans 16 198 (92.0%) et 14 945 (84.9%) yeux, respectivement. Une efficacité inférieure à 0.4 et inférieure à 0.5 a été atteinte dans 322 (1.8%) et 506 (2.9%) yeux, respectivement. Les patients du groupe d’efficacité < 0.4 présentaient des différences statistiquement significatives par rapport au groupe d’efficacité ≥ 0.8, mais étaient cliniquement semblables (différences moyennes entre les groupes de 0.7 ans, de 0.43 mm de la pupille, de 0.11D de cylindre, de 0.22 logMAR d’acuité visuelle préopératoire de loin corrigée, de 0.11 mm en taille de la zone optique, de 1.03 D dans le traitement de la sphère réelle et de 0.64 D dans le traitement du cylindre réel). L’AVLC subjective préopératoire présentait le gain le plus élevé (le plus important pour le modèle). L’analyse des corrélations a révélé une efficacité significativement diminuée avec l’augmentation de l’âge (r = -0.67, P < .001), l’épaisseur cornéenne centrale (r = -0.40, P < .001), la kératométrie moyenne (r = -0.33, P < .001) et l’AVLC préopératoire (r = -0.47, P < .001). L’efficacité a augmenté avec la taille de la pupille (r = 0.20, P < .001). Les auteurs ont conclu que ce modèle pourrait soutenir la prise de décision clinique et pourrait permettre une meilleure évaluation des risques individuels. Ils pensent qu’élargir le rôle de l’apprentissage automatique dans l’analyse de données massives provenant des chirurgies réfractives pourrait être intéressant. (sk)

Auteurs : Achiron A, Gur Z, Aviv U, Hilely A, Mimouni M, Karmona L, Rokach L, Kaiserman I, Correspondance : Asaf Achiron, MD, Department of Ophthalmology, The Edith Wolfson Medical Center, 62 Halochamim St., Holon 58100, Israel. E-mail: AchironAsaf@gmail.com, Etude : Predicting Refractive Surgery Outcome: Machine Learning Approach With Big Data, Source : J Refract Surg. 2017 Sep 1;33(9):592-597. doi: 10.3928/1081597X-20170616-03, Web : https://www.healio.com/ophthalmology/journals/jrs/2017-9-33-9/%7Bd049c49f-1ca8-4940-a8c8-b80fc627df6f%7D/predicting-refractive-surgery-outcome-machine-learning-approach-with-big-data