Vergleich von Diskriminanzanalyse und Entscheidungsbäumen zur Erkennung des frühen Keratokonus

Zusammenfassung

Hintergrund Eine der gefürchtetsten Komplikationen von refraktiv-chirurgischen Eingriffen ist die iatrogene Keratektasie. Eine iatrogene Keratektasie entsteht in den meisten Fällen nach Eingriffen bei Augen mit frühen Keratokonusformen, die wenige oder keine klinischen Zeichen aufweisen (subklinischer Keratokonus). Leider gibt es bis heute noch kein hinreichend sicheres diagnostisches Verfahren zur Früherkennung eines subklinischen Keratokonus. In dieser Studie werden binäre Entscheidungsbäume (rekursive Partitionierungsalgorithmen) angewendet und auf die Eignung der Unterscheidung normaler Augen von Augen mit subklinischem Keratokonus überprüft.

Patienten und Methode Die Methodik der Entscheidungsbäume wurde mit dem Verfahren der Diskriminanzanalyse verglichen, das in früheren Studien gute Ergebnisse zeigte. Die Eingangsdaten basierten auf 32 Augen von 32 Patienten mit einer Erstdiagnose „Keratokonus“ auf dem Partnerauge und den präoperativen Daten von 10 Augen von 5 Patienten mit Keratektasie nach Laser-in-situ-Keratomileusis (LASIK). Als Kontrollgruppe dienten 245 normale Augen mit Z. n. LASIK und unauffälligen Nachkontrollen innerhalb von 12 Monaten.

Ergebnisse Die korrekte Klassifikationsrate und die Spezifität konnten durch Entscheidungsbäume im Vergleich zur Diskriminanzanalyse leicht gesteigert werden. Die Sensitivität war jedoch deutlich geringer.

Schlussfolgerungen Im vorliegenden Patientenkollektiv erwiesen sich Entscheidungsbäume nicht als vorteilhaft gegenüber der linearen Diskriminanzanalyse zur Erkennung des subklinischen Keratokonus.

Abstract

Background Iatrogenic keratectasia is one of the most dreaded complications of refractive surgery. In most cases, keratectasia develops after refractive surgery of eyes suffering from subclinical stages of keratoconus with few or no signs. Unfortunately, there has been no reliable procedure for the early detection of keratoconus. In this study, we used binary decision trees (recursive partitioning) to assess their suitability for discrimination between normal eyes and eyes with subclinical keratoconus.

Patients and Methods The method of decision tree analysis was compared with discriminant analysis which has shown good results in previous studies. Input data were 32 eyes of 32 patients with newly diagnosed keratoconus in the contralateral eye and preoperative data of 10 eyes of 5 patients with keratectasia after laser in-situ keratomileusis (LASIK). The control group was made up of 245 normal eyes after LASIK and 12-month follow-up without any signs of iatrogenic keratectasia.

Results Decision trees gave better accuracy and specificity than did discriminant analysis. The sensitivity of decision trees was lower than the sensitivity of discriminant analysis.

Conclusion On the basis of the patient population of this study, decision trees did not prove to be superior to linear discriminant analysis for the detection of subclinical keratoconus.

Schlüsselwörter

subklinischer Keratokonus - Entscheidungsbäume - Diskriminanzanalyse

Key words

subclinical keratoconus - decision trees - discriminant analysis

• Literatur

• 1 Rabinowitz YS. Major review. Keratoconus. Surv Ophthalmol 1998; 42: 297-319
• 2 Rabinowitz YS. Videokeratographic indices to aid in screening for keratoconus. J Refract Surg 1995; 11: 371-379
• 3 Bühren J, Kühne C, Kohnen T. Wavefront analysis for the diagnosis of subclinical keratoconus. Ophthalmologe 2006; 103: 783-790
• 4 Randleman J, Russel B, Ward M. et al. Risk factors and prognosis for corneal ectasia after LASIK. Ophthalmology 2003; 110: 267-275
• 5 Schwiegerling J, Greivenkamp J. Keratoconus detection based on videokeratoscopic height data. Optom Vis Sci 1996; 73: 721-728
• 6 Ambrósio R, Alonso R, Luz A. et al. Corneal-thickness spatial profile and corneal-volume distribution: tomographic indices to detect keratoconus. J Cataract Refract Surg 2006; 32: 1851-1859
• 7 Bühren J, Bischoff G, Kohnen T. Keratokonus: Klinik, Diagnostik, Therapiemöglichkeiten. Klin Monatsbl Augenheilkd 2011; 228: 923-940
• 8 Kohnen T. Refraktive Chirurgie. Berlin, Heidelberg: Springer; 2011
• 9 Bühren J, Kook D, Kohnen T. Eignung unterschiedlicher korneal topographischer Maßzahlen zur Diagnose des frühen Keratokonus. Ophthalmologe 2012; 109: 37-44
• 10 Bühren J, Kühne C, Kohnen T. Defining subclinical keratoconus using corneal first-surface higher-order aberrations. Am J Ophthalmol 2007; 143: 381-389
• 11 Bühren J, Schäffeler T, Kohnen T. Preoperative topographic characteristics of eyes that developed postoperative LASIK keratectasia. J Refract Surg 2013; 29: 540-549
• 12 Bühren J, Schäffeler T, Kohnen T. Validation of metrics for the detection of subclinical keratoconus in a new patient collective. J Cataract Refract Surg 2014; 40: 259-268
• 13 Auffarth G, Borkenstein A, Ehmer A. et al. Scheimpflug and topography systems in ophthalmologic diagnostics. Ophthalmologe 2008; 105: 810-817
• 14 Bühren J, Kook D, Yoon G. et al. Detection of subclinical keratoconus by using corneal anterior and posterior surface aberrations and thickness spatial profiles. Invest Ophthalmol Vis Sci 2010; 51: 3424-3432
• 15 Fromm S, Baur N. Datenanalyse mit SPSS für Fortgeschrittene 2: Multivariate Verfahren für Querschnittsdaten. Datenanalyse mit SPSS für Fortgeschrittene. Wiesbaden: VS Verlag für Sozialwissenschaften; 2010
• 16 Dahan H, Cohen S, Rokach L. et al. Proactive Data Mining using Decision Trees. New York: Springer; 2014
• 17 Breiman L. Classification and Regression Trees. New York: Chapman & Hall; 1993
• 18 Hothorn T, Hornik K, Zeileis A. Unbiased recursive partitioning: a conditional inference framework. J Comp Graph Stat 2006; 15: 651-674
• 19 Hothorn T, Zeileis A. Partykit: A modular toolkit for recursive partytioning in R. J Mach Learn Res 2015; 16: 3905-3909
• 20 Maeda N, Klyce S, Smolek M. et al. Automated keratoconus screening with corneal topography analysis. Invest Ophthalmol Vis Sci 1994; 35: 2749-2757
• 21 Twa M, Parthasarathy S, Roberts C. et al. Automated decision tree classification of corneal shape. Optom Vis Sci 2005; 82: 1038-1046
• 22 Smadja D, Touboul D, Cohen A. et al. Detection of subclinical keratoconus using an automated decision tree classification. Am J Ophthalmol 2013; 156: 237-246
• 23 Maeda N, Klyce S, Smolek M. Neural network classification of corneal topography: preliminary demonstration. Invest Ophthalmol Vis Sci 1995; 36: 1327-1335
• 24 Smolek M, Klyce S. Current keratoconus detection methods compared with a neural network approach. Invest Ophthalmol Vis Sci 1997; 38: 2290-2299
• 25 Ambrósio jr. R, Lopes B, Faria-Correia F. et al. Integration of Scheimpflug-based corneal tomographic and biomechanical assessments for enhancing ectasia detection. J Refract Surg 2017;