[发明专利]睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法

说明书

本发明涉及睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法，测量睫状肌麻痹前参数，以测得的参数根据二分类模型预测是否需要睫状肌麻痹；以测得的参数根据三分类模型预测儿童睫状肌麻痹后屈光状态，及人群屈光状态分布；以测得的参数根据回归模型预测儿童睫状肌麻痹后屈光度，及人群屈光度分布。本发明的有益效果是：通过预测睫状肌麻痹后屈光度来判断是否需要实施睫状肌麻痹，对于医护人员来说，减少睫状肌麻痹工作量，对于患者来说，可避免不必要的睫状肌麻痹措施；本发明方案还能够用于针对睫状肌状态的数据分析，通过三分类及回归模型无偏预测人群平均屈光度及屈光状态分布。

技术领域

本发明属于医疗检测领域，尤其涉及一种睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法。

背景技术

眼视光学中通常使用屈光度评估人眼屈光状态，将人眼分为正视、近视、远视。人眼屈光度是进一步屈光矫正的基础，也是衡量屈光发育状况的指标，精确获取人眼屈光度数值在临床及相关流行病学研究中十分重要。因屈光度测量受调节状况影响，需使用睫状肌麻痹剂充分放松调节，准确获得屈光度。但是由于睫状肌麻痹需要额外等候时间，检查费用，且麻痹后畏光，近距离视物模糊，在临床和流行病学研究工作中对全部患者施行睫状肌麻痹存在不小挑战。

在目前研究中发现，调节紧张在青少年人群中发生率较高，但仍存在较大个体差异，并非全部青少年都存在调节紧张现象。当前针对青少年儿童的睫状肌麻痹策略建议对全部该年龄段人群实施睫状肌麻痹后屈光检查，在理论上可以通过适当决策过程区分出睫状肌麻痹需要人群，针对性实施睫状肌麻痹，减少不必要的麻痹过程。在大数据时代，通过机器学习方法对多维度的大量数据进行处理，建立复杂预测模型，对预测问题可得到较高准确率。

发明内容

为解决上述技术问题，本发明提供一种睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法。

本发明采用的技术方案是：睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法，其特征在于，所述方法的步骤包括：

测量并获取睫状肌麻痹前的数值参数；

根据所述睫状肌麻痹前的数值参数建立二分类模型，通过所述二分类模型可预测是否需要睫状肌麻痹；

根据所述睫状肌麻痹前的数值参数建立三分类模型，所述三分类模型可根据所述数值参数计算睫状肌麻痹后的屈光状态；

根据所述睫状肌麻痹前的数值参数建立回归模型，所述回归模型可根据所述数值参数计算睫状肌麻痹后的屈光度；

汇总所述三分类模型及回归模型的计算数值并对所述计算数值进行统计分析可获得测试目标中无偏移屈光状态分布和屈光度的分布情况。

进一步地，所述睫状肌麻痹前的数值参数包括光学生物数据、验光数据和基本信息。

进一步地，所述光学生物数据包括眼轴长度、角膜厚度、前房深度、晶体厚度、玻璃体腔深度和角膜曲率数值中的一种或多种；

所述验光数据包括球镜度、柱镜度和散光轴中的一种或多种；

所述基本信息包括年龄和/或性别；

所述其他检查包括眼压、调节滞后量、眼位、生活视力和戴镜信息中的一种或多种。

进一步地，所述二分类模型为SVC_W、RF_W、DNN_W和EEC中的一种，模型效能指标为Accuracy、Sensitivity和Specificity，指标计算公式为：

其中，TP：真阳性样本；FP：假阳性样本；FN：假阴性样本；TN：真阴性样本。

进一步地，所述三分类模型为SVC_W、RF_W、DNN_W和EEC中的一种，模型效能指标为Precision、Recall和F1Score，指标计算公式为：

其中，TP：真阳性样本；FP：假阳性样本；FN：假阴性样本；TN：真阴性样本。