A Clinical Decision Tree to Support Keratoconus Patients Considering Corneal Cross-Linking Combined with Refractive Treatment

Abstract

Background To develop a fast and frugal decision tree to identify keratoconus patients most likely to benefit visually from the combination of corneal cross-linking (CXL) with topography-guided photorefractive keratectomy (“CXL plus”).

Patients and Methods The outcome of interest was an improvement in uncorrected distance visual acuity (UDVA) by at least two lines at the 12-month follow-up. Preoperative and 12-month follow-up data from patients who received CXL plus (n = 96) and CXL only (n = 96) were used in a recursive partitioning approach to construct a frugal tree with three variables (corneal thickness [>/< 430 um], patient interest in CXL plus [yes/no], and tomographic cylinder [</> 3 D]). In addition, we estimated the probability of the outcome from a multivariate logistic regression model for each combination of variables used in the decision tree.

Results In the complete sample, 101/192 (52.6%) patients improved by at least two lines at the 12-month follow-up. Patients affirmative in all three answers had a 75.6% (34/45) probability of gaining at least two lines of improvement in UDVA by CXL plus. The statistical model estimated a 66.0% probability for a successful outcome.

Conclusion A fast and frugal tree consisting of three variables can be used to select a patient group with a high likelihood to benefit from CXL plus. The tree is useful in the preoperative counseling of keratoconus patients contemplating the CXL plus option, an intervention that is not fully covered by many health insurances.

Zusammenfassung

Hintergrund Ziel war die Entwicklung eines Entscheidungsbaums zur Identifizierung derjenigen Keratokonus-Patienten, die visuell am ehesten von der Kombination eines kornealen Cross-Linkings (CXL) mit einer topografiegeführten photorefraktiven Keratektomie (sog. „CXL plus“) profitieren.

Patienten und Methoden Die interessierende Zielgröße war eine Verbesserung des unkorrigierten Fernvisus (UDVA) um mindestens 2 Linien bei der Nachuntersuchung nach 12 Monaten. Wir verwendeten die prä- und postoperativen Daten von Patienten, die ein alleiniges CXL (n = 96) oder ein CXL plus (n = 96) erhielten, um mittels rekursiver Partitionierung einen Entscheidungsbaum mit den 3 Variablen („Hornhautdicke [>/< 430 um]“, „Patienteninteresse an CXL plus [ja/nein]“ und „tomographischer Zylinder [</> 3 D]“) zu konstruieren. Darüber hinaus schätzten wir die Wahrscheinlichkeit des Ergebnisses anhand eines multivariaten logistischen Regressionsmodells für jede Kombination von Variablen, die im Entscheidungsbaum verwendet wurden.

Resultate In der Gesamtstichprobe verbesserte sich die Sehleistung 12 Monate postoperativ bei 101 von 192 Patienten (52.6%) um mindestens 2 Linien. Diejenigen Patienten, für welche bei allen drei Variablen die erstgenannte Auswahl-Option zutraf, hatten eine Wahrscheinlichkeit von 75,6% (34/45), durch CXL plus eine Verbesserung der UDVA um mindestens 2 Linien zu erreichen. Das statistische Modell schätzte eine 66,0%ige Wahrscheinlichkeit für ein erfolgreiches Ergebnis.

Schlussfolgerung Ein klinischer Entscheidungsbaum mit 3 Variablen kann verwendet werden, um diejenige Patientengruppe auszuwählen, die mit hoher Wahrscheinlichkeit visuell von CXL plus profitieren wird. Diese Entscheidungshilfe ist nützlich für die präoperative Beratung von Keratokonus-Patienten, die eine CXL-plus-Option in Erwägung ziehen – ein Eingriff, der von vielen Krankenversicherungen nicht vollständig übernommen wird.

Key words

corneal cross-linking - photorefractive keratectomy - recursive partitioning - decision tree

Schlüsselwörter

Keratokonus - korneales Cross-Linking - photorefraktive Keratektomie - rekursive Partitionierung - Entscheidungsbaum keratoconus

Publication History

Received: 21 August 2022

Accepted: 18 January 2023

Article published online:
25 April 2023

• References

• 1 Kankariya VP, Dube AB, Grentzelos MA. et al. Corneal cross-linking (CXL) combined with refractive surgery for the comprehensive management of keratoconus: CXL plus. Indian J Ophthalmol 2020; 68: 2757-2772 DOI: 10.4103/ijo.IJO_1841_20.
• 2 Ezzeldin M, Filev F, Steinberg J. et al. Excimer laser treatment combined with riboflavin ultraviolet-A (UVA) collagen crosslinking (CXL) in keratoconus: a literature review. Int Ophthalmol 2020; 40: 2403-2412 DOI: 10.1007/s10792-020-01394-5.
• 3 Revicki DA, Frank L. Pharmacoeconomic evaluation in the real world. Effectiveness versus efficacy studies. Pharmacoeconomics 1999; 15: 423-434 DOI: 10.2165/00019053-199915050-00001.
• 4 Meiri Z, Keren S, Rosenblatt A. et al. Efficacy of Corneal Collagen Cross-Linking for the Treatment of Keratoconus: A Systematic Review and Meta-Analysis. Cornea 2016; 35: 417-428 DOI: 10.1097/ico.0000000000000723.
• 5 Iselin KC, Baenninger PB, Bachmann LM. et al. Changes in higher order aberrations after central corneal regularization – a comparative two-year analysis of a semi-automated topography-guided photorefractive keratectomy combined with corneal cross-linking. Eye Vis (Lond) 2020; 7: 10 DOI: 10.1186/s40662-020-00179-2.
• 6 Bae JM. The clinical decision analysis using decision tree. Epidemiol Health 2014; 36: e2014025 DOI: 10.4178/epih/e2014025.
• 7 Greenstein SA, Hersh PS. Characteristics influencing outcomes of corneal collagen crosslinking for keratoconus and ectasia: implications for patient selection. J Cataract Refract Surg 2013; 39: 1133-1140 DOI: 10.1016/j.jcrs.2013.06.007.
• 8 Marewski JN, Gigerenzer G. Heuristic decision making in medicine. Dialogues Clin Neurosci 2012; 14: 77-89 DOI: 10.31887/DCNS.2012.14.1/jmarewski.
• 9 Fan J, Upadhye S, Worster A. Understanding receiver operating characteristic (ROC) curves. CJEM 2006; 8: 19-20 DOI: 10.1017/s1481803500013336.
• 10 Strobl C, Malley J, Tutz G. An introduction to recursive partitioning: rationale, application, and characteristics of classification and regression trees, bagging, and random forests. Psychol Methods 2009; 14: 323-348 DOI: 10.1037/a0016973.
• 11 Su X, Tsai CL, Wang H. et al. Subgroup Analysis via Recursive Partitioning. J Mach Learn Res 2009; 10: 141-158
• 12 Goodman KE, Lessler J, Cosgrove SE. et al. A Clinical Decision Tree to Predict Whether a Bacteremic Patient Is Infected With an Extended-Spectrum beta-Lactamase-Producing Organism. Clin Infect Dis 2016; 63: 896-903 DOI: 10.1093/cid/ciw425.
• 13 Seibold H, Zeileis A, Hothorn T. Model-Based Recursive Partitioning for Subgroup Analyses. Int J Biostatist 2016; 12: 45-63 DOI: 10.1515/ijb-2015-0032.