编辑推荐：
视网膜静脉阻塞继发黄斑水肿（RVO-ME）患者抗 VEGF 治疗后视力的准确预测对优化治疗和改善临床结局至关重要。来自暨南大学附属第一医院的研究人员开展相关研究，确定关键预测特征，XGBoost 模型表现最佳。该模型有望指导治疗决策。
准确预测视网膜静脉阻塞继发黄斑水肿（RVO-ME）抗血管内皮生长因子（VEGF）治疗后的视力，对于优化抗 VEGF 疗法、改善临床结局至关重要。虽然机器学习（ML）在眼科预后预测方面展现出潜力，但现有的模型在视网膜静脉阻塞（RVO）管理中往往缺乏可解释性和临床适用性。
本研究开发并验证了一种可解释的机器学习模型，用于预测视网膜静脉阻塞（RVO）患者接受抗 VEGF 治疗后的视力变化。研究人员利用暨南大学附属第一医院 259 例视网膜静脉阻塞（RVO）患者的回顾性数据，通过 Boruta 算法识别出关键预测特征，并评估了 8 种机器学习算法。结果显示，极端梯度提升（XGBoost）模型表现最优，在测试队列中的曲线下面积（AUC）达到 0.91（95% 置信区间：0.85 - 0.96），准确率为 0.83，灵敏度为 0.88，特异性为 0.73，F1 分数为 0.87，布里尔分数（Brier score）为 0.14 。关键预测因素包括基线视力、收缩压（SBP）、年龄、糖尿病性视网膜内层功能障碍（DRIL）和疾病亚型。
通过 Shapley 加性解释（SHAP）分析发现，基线视力是最具影响力的预后因素，其次是收缩压（SBP）和年龄。本研究旨在填补当前研究的关键空白：一是系统比较不同机器学习算法在视网膜静脉阻塞继发黄斑水肿（RVO-ME）视力预测中的适用性和效果；二是通过 SHAP 值可视化实现模型的内在可解释性。该模型具有高预测性能（AUC＞0.9）和内在临床透明度，有望在指导抗 VEGF 治疗决策中得到实际应用。未来在多中心队列中的验证，可能会进一步增强其在个性化视网膜静脉阻塞（RVO）管理中的通用性。
