Implementación y precisión de un nuevo método de cálculo biométrico basado en técnicas de inteligencia artificial
Se diseña un estudio para estimar la potencia emetropizante de la lente intraocular, modificando por distometría y de forma retrospectiva la potencia real de la lente intraocular implantada. Se implementarán unos modelos regresivos no lineales, que utilicen como variable respuesta la potencia recalc...
| Autor: | |
|---|---|
| Formato: | tesis doctoral |
| Fecha de publicación: | 2022 |
| País: | España |
| Recursos: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/3459 |
| Acesso em linha: | https://hdl.handle.net/20.500.14352/3459 |
| Access Level: | acceso abierto |
| Palavra-chave: | 617.7-089.243(043.2) Lentes intraoculares Intraocular lenses Lentes de contacto 3311.11 Instrumentos ópticos |
| Resumo: | Se diseña un estudio para estimar la potencia emetropizante de la lente intraocular, modificando por distometría y de forma retrospectiva la potencia real de la lente intraocular implantada. Se implementarán unos modelos regresivos no lineales, que utilicen como variable respuesta la potencia recalculada retrospectivamente y como predictores una serie de inputs biométricos.Se recopiló una muestra de 481 ojos intervenidos de cataratas por 4 cirujanos con distintos tipos de implantes intraoculares. Todos los ojos fueron medidos preoperatoriamente con IOL Master® 700 (Carl Zeiss Meditec AG, Jena, Alemania) y Pentacam® HR (Oculus Optikgeräte GmbH, Wetzlar, Alemania) para la curvatura posterior corneal. Se preparó y se analizó el dataset para la selección de las variables eliminando correlaciones que produjeran colinealidad. La muestra se aleatorizó y posteriormente se dividió en dos partes con una ratio 80/20: entrenamiento (training) y validación (test) respectivamente.Se implementaron en crudo modelos regresivos mediante técnicas de Machine Learning y se entrenaron con la partición training. Posteriormente se optimizaron e hiperparametrizaron para mejorar y potenciar la predictibilidad. Se utilizaron técnicas de mejora (stacking) para ensamblar los mejores modelos finales, obteniendo un modelo definitivo al que se llamó Karmona®... |
|---|