研究背景早产儿视网膜病变(Retinopathy of prematurity,ROP)是发生在早产儿和低体重儿的一种视网膜血管增生性病变,是目前导致婴幼儿视功能受损或盲的主要原因之一。及时的筛查和治疗可以有效降低ROP的致盲率。目前的筛查标准主要依据出生胎龄和出生体重而制定,标准较为宽松,筛查效率偏低。眼底检查有一定侵入性,过多的检查不仅耗时费力、增加经济负担,对于早产儿来说也是无益的。面对早产儿存活数量的日益增长和眼科专业医师的缺乏,怎样合理评估ROP发生的可能,在不漏诊患儿的前提下尽量缩小筛查量,是目前亟需解决的问题。探索非侵入、结合多种危险因素的ROP预测方法,将有助于解决这一问题。目的1、分析ROP潜在的危险因素,寻找能够预测ROP发生的最佳指标组合。2、建立非侵入、低成本的ROP发病预测模型,以提前辨别高危儿,使筛查工作有的放矢,为ROP的早期发现和预防工作带来帮助。3、利用人工神经网络进行疾病预测,是将人工智能与眼科诊疗相结合的一次探索。方法对591例自2014年9月至2018年9月在南方医科大学珠江医院新生儿重症监护室住院并接受早产儿视网膜病变筛查的患儿的病例资料进行回顾性研究。入选了出生胎龄≤32周或出生体重≤2000g的早产儿和低体重儿,排除了有严重先天缺陷或染色体异常、在接受眼部检查前死亡、眼部存在其他明显病变及病例资料缺失的患儿。通过查阅ROP筛查记录本获取眼底病变情况,通过查阅入选新生儿住院期间的电子病历完成相关危险因素资料的收集。第一部分研究运用IBM SPSS 20,对各个危险因素进行单因素和多因素分析,并结合国内外相关文献进行讨论分析,筛选出用于ROP预测的指标。第二部分研究使用MATLAB建立BP神经网络,预测ROP的发生,并用遗传算法对BP神经网络进行了优化,提高了预测性能。结果1、结合单因素、多因素分析结果和临床专业知识,最终选择出生胎龄、出生体重、剖宫产、5min Apgar评分、肺支气管发育不良、呼吸窘迫综合症、颅内出血、新生儿缺血缺氧性脑病、机械辅助呼吸、输血史、坏死性小肠结肠炎、动脉导管未闭这12个因素作为预测指标建立ROP发生的预测模型。2、logistic回归模型预测的灵敏度为53.1%,特异度为87.90%,准确率为76.6%,AUC为0.855;BP神经网络模型的灵敏度为84.2%,特异度为88.7%,准确率为86.8%,AUC为0.857;用遗传算法对BP神经网络的权值阈值进行优化后,灵敏度为92.1%,特异度为88.7%,准确率为90.1%,AUC为0.908,预测性能得到了提高。结论BP神经网络有较强的非线性关系处理能力,在本研究中对ROP发病的预测效果优于传统logistic回归模型,用遗传算法来优化BP神经网络,可以进一步提高预测效果。创新点1、从孕产因素、新生儿常见疾病、干预措施、实验室检查指标等多个角度,结合最新文献研究成果,对ROP的危险因素进行了详尽分析。2、将人工神经网络模型用于ROP发病预测,不仅提供了新的ROP预测模型,而且是将人工智能与眼科诊疗相结合的一次探索,为传统临床实践与大数据、人工智能的结合提供了新思路。