基于光学相干断层扫描参数和人工智能预测黄斑裂孔手术结局的对比研究

本研究通过回顾性分析51例特发性黄斑裂孔(MH)手术患者的OCT参数，对比生成预训练转换器(GPT)模型与传统逻辑回归的预测效能。研究发现黄斑裂孔指数(MHI)、牵引裂孔指数(THI)和孔形因子(HFF)对解剖成功具有显著预测价值(AUC 0.770)，而逻辑回归模型(准确率84.3%)优于GPT(77.0%)，为临床决策提供了循证依据。

　　

黄斑裂孔(Macular Hole, MH)作为导致中心视力丧失的可治性疾病，其手术成功率始终是临床关注焦点。尽管光学相干断层扫描(OCT)技术已广泛应用于术前评估，但如何精准预测手术结局仍是眼科领域的难点。传统OCT参数如基底孔直径(BHD)和最小孔直径(MHD)的预测价值存在争议，而新兴人工智能(AI)技术在医疗决策中的应用潜力亟待验证。

针对这一科学问题，Kartal Dr. Lutfi Kirdar City Hospital的研究团队开展了一项创新性研究，通过对比生成预训练转换器(GPT)与传统逻辑回归模型的预测效能，系统评估了OCT参数在MH手术预后评估中的价值。这项发表在《BMC Ophthalmology》的研究首次将GPT-4.0应用于眼科手术预测领域，为AI技术的临床转化提供了重要参考。

研究采用回顾性队列设计，纳入51例接受25G玻璃体切除术的特发性MH患者。关键技术包括：1) Spectralis SD-OCT获取术前MHI、THI、HFF等参数；2) 双盲测量验证参数可靠性(组内相关系数>0.9)；3) 构建GPT-4.0预测模型与逻辑回归模型的直接对比；4) 通过ROC曲线、Kappa值等指标全面评估预测效能。

OCT参数比较结果显示，成功闭合组(72.5%)的MHI(0.564 vs 0.344)、THI(1.809 vs 0.816)和HFF(0.844 vs 0.678)显著高于失败组(p<0.0001)，而BHD和MHD在失败组更大。这些发现验证了几何形态参数与手术结局的强相关性。

预测模型对比部分揭示：GPT模型虽达到77.0%准确率和完美阳性预测值(1.000)，但阴性预测值仅0.452；逻辑回归模型则展现出更均衡的预测能力(准确率84.3%，AUC 0.759)，其Kappa值(0.568)显著优于GPT(0.392)，表明传统统计方法在当前阶段更具临床可靠性。

讨论部分强调三个核心发现：首先，MHI的卓越预测性能(AUC 0.770)支持其作为金标准参数的地位；其次，BHD和MHD的预测失败(AUC 0.291)提示线性测量可能不足以反映MH的复杂生物力学特性；最后，GPT模型虽展现潜力，但其对阴性结果的识别不足凸显AI技术需要融合更多维度的临床数据。

这项研究的重要意义在于：1) 为MH手术预后评估提供了循证医学依据；2) 揭示了AI模型在真实医疗场景中的局限性；3) 提出了未来发展方向——整合OCT血管成像、三维参数和患者特异性因素构建多模态预测系统。研究结果对推动个性化手术方案制定具有重要临床价值，也为AI技术在眼科的应用边界提供了重要参考。