Таскина Елизавета Сергеевна – кандидат медицинских наук, доцент кафедры офтальмологии.
672000, Чита, ул. Горького, 39а
ElizaVeta S. Taskina – Cand. Sc. (Med.), Associate Professor at the Department of Ophthalmology.
Gorkiy str., 39a, Chita, 672000
Соловьёва Алина Андреевна – студентка 6-го курса.
672000, Чита, ул. Горького, 39а
Alina A. Solovyova – Sixth-Year Student.
Gorkiy str., 39a, Chita, 672000
Мудров Виктор Андреевич – доктор медицинских наук, доцент кафедры акушерства и гинекологии лечебного и стоматологического факультетов.
672000, Чита, ул. Горького, 39а
Victor A. MudroV – Dr. Sc. (Med.), Associate Professor at the Department of Obstetrics and Gynecology of the Faculties of Medicine and Dentistry.
Gorkiy str., 39a, Chita, 672000
Харинцева Светлана Владимировна – доктор медицинских наук, профессор, заведующая кафедрой офтальмологии.
672000, Чита, ул. Горького, 39а
Svetlana V. Kharinseva – Dr. Sc. (Med.), Professor, Head of the Department of Ophthalmology.
Gorkiy str., 39a, Chita, 672000
Распространённость синдрома «сухого глаза» варьирует от 6,5 до 95 %. Диагностические критерии основываются на разных методах и/или их сочетаниях и характеризуются неоднородностью.
Цель исследования. Выявление факторов риска развития синдрома «сухого глаза» для создания технологии ранней диагностики степени данного заболевания у лиц молодого возраста без сопутствующей глазной и общей соматической патологии.
Материалы и методы. Обследовано 50 пациентов в возрасте 24 [22; 27] лет. Проведено офтальмологическое обследование, включающее авторефрактометрию, визометрию, биомикроскопию, проведение пробы Норна, анкетирование по авторскому опроснику и оценку степени синдрома «сухого глаза» по тесту Оcular Surface Disease Index (OSDI). Сформировано три группы исследования: группа контроля (OSDI = 0–13 баллов); первая группа – пациенты, имеющие OSDI = 14–22 балла; вторая группа – пациенты, имеющие OSDI > 22 баллов.
Результаты. При изучении представленных независимых переменных наибольшую нормализованную важность имеет значение экранного времени (100 %), далее следуют время разрыва слёзной плёнки (58,4 %), курение (24,3 %), ночные смены (22,5 %) и ношение мягких контактных линз (11,1 %). Технология ранней диагностики степени синдрома «сухого глаза» реализована на базе многослойного персептрона, процент неверных предсказаний в процессе обучения которого составил 8,0 %. Структура обучаемой нейронной сети включала 8 входных нейронов (значение экранного времени и времени разрыва слёзной плёнки, наличие или отсутствие факта курения, ночные смены и/ или использование мягких контактных линз), два скрытых слоя, содержащих 3 и 2 единицы соответственно, и 3 выходных нейрона.
Заключение. Предложенная нейросеть не испытывает затруднений в оценке ранней диагностики тяжести синдрома «сухого глаза» и может быть использована в клинической практике.
The prevalence rate of dry eye syndrome varies from 6.5 to 95 %. Diagnostic criteria are based on different methods and/or their combinations and are characterized by heterogeneity.
The aim of the study. To identify the risk factors for the development of dry eye syndrome in order to create a technology for early diagnosis of the degree of the disease in young people without concomitant ocular and general somatic pathology.
Materials and methods. Fifty patients aged 24 [22; 27] years were examined. We carried out an ophthalmological examination, including autorefractometry, visometry, biomicroscopy, the Norn test, a survey using the author’s questionnaire, and an assessment of the degree of dry eye syndrome using the Ocular Surface Disease Index (OSDI). Three study groups were formed: control group (OSDI = 0–13 points); group 1 – patients with OSDI = 14–22 points; group 2 – patients with OSDI > 22 points.
Results. When examining presented independent variables, screen time had the highest normalized importance (100 %), followed by tear film breakup time (58.4 %), smoking (24.3 %), night shifts (22.5 %) and using soft contact lenses (11.1 %). The technology for early diagnosis of the degree of dry eye syndrome is implemented on the basis of a multilayer perceptron, the percentage of incorrect predictions during its training process was 8.0 %. The structure of the trained neural network included 8 input neurons (the value of screen time and tear film breakup time, the presence or absence of smoking, night shifts and/or the use of soft contact lenses), two hidden layers containing 3 and 2 units, respectively, and 3 output neurons.
Conclusion. The proposed neural network has no difficulties in assessing the early diagnosis of the severity of dry eye syndrome and can be used in clinical practice.
The authors declare that there are no conflicts of interest present.