Разработка критериев классификации увеитов

Цель: Разработать критерии классификации 25 наиболее распространённых форм увеита.

Дизайн: Машинное обучение на данных 5766 случаев 25 форм увеита.

Методы: Случаи были внесены в предварительную базу данных, разработанную с применением методов медицинской информатики. С помощью формализованных методов достижения консенсуса была создана окончательная база данных, включившая 4046 случаев, в которых диагноз был согласован квалифицированным большинством. Случаи анализировали в рамках соответствующих классов увеита и разделили на обучающую и валидационную выборки. Для обучающей выборки применяли машинное обучение на основе мультиномиальной логистической регрессии с регуляризацией LASSO, чтобы определить минимально необходимый набор критериев для каждого заболевания и снизить частоту ошибочной классификации. Полученные критерии оценивали на валидационной выборке. Точность правил, сформулированных на основе критериев машинного обучения, оценивал эксперт, не знавший диагноза, на случайной выборке из 10% случаев.

Результаты: Общая точность классификации по классам увеита на валидационной выборке составила: при переднем увеите — 96,7% (95% ДИ 92,4–98,6); промежуточном увеите — 99,3% (95% ДИ 96,1–99,9); заднем увеите — 98,0% (95% ДИ 94,3–99,3); панувеите — 94,0% (95% ДИ 89,0–96,8); инфекционном заднем увеите или панувеите — 93,3% (95% ДИ 89,1–96,3). При слепой оценке точность правил составила: при переднем увеите — 96,5% (95% ДИ 91,4–98,6); промежуточном увеите — 98,4% (95% ДИ 91,5–99,7); заднем увеите — 99,2% (95% ДИ 95,4–99,9); панувеите — 98,9% (95% ДИ 94,3–99,8); инфекционном заднем увеите или панувеите — 98,8% (95% ДИ 93,4–99,9).

Выводы: Критерии классификации 25 форм увеита характеризовались высокой общей точностью (то есть низкой частотой ошибочной классификации) и, по-видимому, достаточно хорошо подходили для применения в клинических и трансляционных исследованиях.