Rozpoznawanie subklinicznych postaci stożka rogówki za pomocą klasyfikacji wykorzystującej zautomatyzowane drzewa decyzyjne

Metody
Miejsce badania: Szpital Uniwersytecki w Bordeaux.
Uczestnicy: do udziału w badaniu włączono 372 oczu 197 osób: 177 zdrowych oczu 95 osób, 47 oczu u 47 chorych z ukrytą formą stożka rogówki i 148 oczu u 102 chorych ze stożkiem rogówki.
Projekt badania: wszystkie oczy poddano badaniom obrazowym z wykorzystaniem podwójnego analizatora Scheimpfluga. Analizowano 55 parametrów pochodzących z pomiarów przedniej i tylnej powierzchni rogówki każdego oka, wykorzystując algorytmy systemów uczenia się, drzewo klasyfikacyjne i regresji, by przypisać oczy do jednej z trzech opisanych wyżej kategorii. Pierwotne punkty końcowe badania: oceniono przydatność klasyfikowania chorób oczu za pomocą algorytmu systemów uczenia się, ponadto w każdej grupie porównywano parametry pochodzące z badań krzywizny rogówki, uniesień, pachymetrii i analizy czoła fali.

Wyniki
Reguły dyskryminujące wygenerowane przez klasyfikator wykorzystujący zautomatyzowane drzewo decyzyjne umożliwiły odróżnienie zdrowej rogówki od stożka rogówki z czułością wynoszącą 100% i swoistością 99,5% oraz odróżnienie zdrowej rogówki od ukrytej formy stożka rogówki z czułością wynoszącą 93,6% i swoistością 97,2%. Wyłonionymi przez algorytm zmiennymi o największej sile dyskryminującej okazały się parametry związane z asymetrią tylnej powierzchni rogówki oraz rozkład przestrzenny grubości rogówki.

Podsumowanie
Klasyfikator systemów uczenia się okazał się bardzo przydatny w różnicowaniu rogówek zdrowych oczu z ukrytą formą stożka rogówki. Stał się narzędziem bliższym zautomatyzowanemu wnioskowaniu medycznemu. Może to ułatwić podejmowanie decyzji przed zabiegami chirurgii refrakcyjnej, ponieważ zapewnia dużą czułość wykrywania rogówek zagrożonych rozwojem ektazji.