Studienaufbau
Eine retrospektive Einzelzentrum-Querschnittsstudie untersuchte demografische und lebensstilbezogene Daten von Patienten mit Keratokonus (KC) und Personen aus einer refraktiven Voruntersuchung. Die Erhebung erfolgte zwischen dem 20. Januar 2024 und dem 1. Dezember 2024. Ziel war es, Risikofaktoren zu bestimmen und ein maschinelles Lernmodell zur Unterscheidung von KC und Myopie zu entwickeln.
Demografische Daten
Insgesamt wurden 711 Patienten analysiert (Durchschnittsalter 26,6 ± 7,1 Jahre). Davon waren 439 Männer (61,7 %). Unter den Studienteilnehmern wurden 275 Fälle von KC identifiziert. Die Vergleichsgruppe bestand aus Personen, die sich für refraktive Chirurgie vorbereiteten.
Identifizierte Risikofaktoren
Durch multivariate Regressionsanalysen wurden sieben signifikante Risikofaktoren für KC ermittelt: männliches Geschlecht, ein höherer Body‑Mass‑Index (BMI), ein niedrigeres Bildungsniveau, eine weiter entfernte Kindheitsresidenz, allergische Konjunktivitis sowie eine erhöhte Intensität und Häufigkeit des Augenreibens. Diese Faktoren wurden anschließend in die Modellentwicklung einbezogen.
Modellentwicklung
Zur Auswahl relevanter Merkmale kamen Random‑Forest‑Recursive‑Feature‑Elimination (RF‑RFE), XGBoost‑RFE und univariate logistische Regression zum Einsatz. Nach der Reduktion auf 24 Variablen wurden sieben verschiedene maschinelle Lernmodelle trainiert, darunter ein neuronales Netzwerk, Random Forest und XGBoost.
Modellleistung
Die Validierung zeigte, dass das neuronale Netzwerk die höchste Vorhersagegenauigkeit erreichte (AUROC = 0,79). Random Forest folgte mit einem AUROC von 0,77 und XGBoost mit einem AUROC von 0,76. Die übrigen Modelle lagen leicht darunter, bestätigten jedoch insgesamt die Machbarkeit einer lebensstilbasierten Klassifikation von KC.
Erklärbarkeit der Modelle
Mittels SHapley Additive exPlanations (SHAP) wurden die wichtigsten Prädiktoren identifiziert. Bei allen Top‑Modellen standen die Intensität des Augenreibens, das Geschlecht, der BMI und die Kindheitsresidenz konstant unter den zehn einflussreichsten Merkmalen, was die Ergebnisse der univariaten logistischen Regression bestätigte.
Schlussfolgerungen
Die Studie belegt, dass maschinelle Lernverfahren anhand von klinischen und lebensstilbezogenen Daten KC‑Risikogruppen zuverlässig identifizieren können. Die Ergebnisse unterstützen eine frühzeitige Risikostratifizierung und ermöglichen gezielte Lebensstilinterventionen, um das Fortschreiten der Erkrankung zu verhindern.Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung