Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

DL Models Predicting Cycloplegic Refractive Error Based on Non-Cycloplegic Parameters in Myopic Adults

7. Juli 2026 aktualisiert von: Jian Xiong, Second Affiliated Hospital of Nanchang University

Efficacy of Deep Learning Models for Predicting Cycloplegic Refractive Error Based on Non-Cycloplegic Parameters in Adults With Myopia

This study presents a machine learning model that predicts cycloplegic refraction in adults with myopia using standard non-cycloplegic eye measurements, aiming to reduce the need for cycloplegic drops while still identifying patients who require them.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Myopia is a highly prevalent, irreversible refractive disorder with substantial impact on quality of life. Cycloplegic refraction is the gold standard for assessing refractive error in adults considering optical or surgical correction, but it is time-consuming, slow to recover from, and frequently associated with ocular discomfort. Non-cycloplegic refraction is therefore used routinely in clinical practice, despite known differences from cycloplegic values in a subset of adult myopes.

Critically, this discrepancy varies substantially between individuals and cannot be anticipated from non-cycloplegic measurements alone. Clinicians have no reliable way to identify, prior to dilation, which patients are likely to be overcorrected if cycloplegia is omitted, potentially leading to overcorrected prescriptions, asthenopia, and myopic progression.

Machine learning approaches that capture non-linear relationships between clinical predictors and refractive outcomes have shown promise in children, but comparable models for adults remain largely unexplored, and most rely on axial length, which is unavailable in routine optometric settings. Refractive surgery centers offer a uniquely suitable data source, as every candidate undergoes standardized paired non-cycloplegic and cycloplegic refraction with detailed anterior segment biometry during routine preoperative evaluation. This study leverages such data to develop and validate models estimating cycloplegic refractive error from non-cycloplegic parameters, providing a decision-support tool that reduces unnecessary cycloplegia while flagging patients for whom dilated refraction remains indicated.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

2500

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studieren Sie die Kontaktsicherung

Studienorte

  • China
      • Jiangxi, China
        • Rekrutierung
        • The Second Affiliated Hospital of Nanchang University, Nanchang, JiangXi 330000
        • Kontakt:
        • Kontakt:

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

  • Erwachsene

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Each subject underwent a comprehensive preoperative examination, including cycloplegic and non-cycloplegic refractions, Pentacam, etc.

Beschreibung

Inclusion Criteria:

  1. Age 18 to 60 years, of either sex;
  2. Spherical equivalent between -0.50 diopters and -10.00 diopters, with myopia in one or both eyes, and with cylinder of 4.00 diopters or less;
  3. Best-corrected visual acuity of 20/25 or better in each eye;
  4. Clear cornea, no keratoconus, corneal scarring, or other pathologies; clear lens;
  5. Intraocular pressure of 21 mmHg or less, with no history of glaucoma;
  6. No history of ocular surgery, especially corneal refractive surgery or cataract surgery;
  7. Time interval between non-cycloplegic refraction and cycloplegic refraction of 7 days or less, with complete data.

Exclusion Criteria:

  1. Incomplete clinical data to support the diagnosis;
  2. Ocular conditions such as subclinical keratoconus, keratoconus, or moderate-to-severe corneal haze or leukoma;
  3. Allergy or contraindication to cycloplegic agents;
  4. Refusal to participate in the study.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
Group with spherical equivalent change ≥0.50 diopters after cycloplegic refraction
Adult myopes with a non-cycloplegic versus cycloplegic spherical equivalent difference of ≥0.50 diopters, for whom cycloplegic refraction is clinically warranted, received routine cycloplegic refraction with tropicamide; no other intervention was given.
Diagnosetest: Machine learning model for predicting cycloplegic refraction
The machine learning model was applied to each participant's non-cycloplegic parameters to predict cycloplegic spherical equivalent.
Group with spherical equivalent change <0.50 diopters after cycloplegic refraction
Adult myopes with an absolute difference of less than 0.50 diopters between non-cycloplegic and cycloplegic spherical equivalent, for whom non-cycloplegic refraction is considered sufficient, received routine cycloplegic refraction with tropicamide; no additional intervention was applied.
Diagnosetest: Machine learning model for predicting cycloplegic refraction
The machine learning model was applied to each participant's non-cycloplegic parameters to predict cycloplegic spherical equivalent.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Accuracy of predicted cycloplegic spherical equivalent
Zeitfenster: Day 0
Accuracy of the machine learning model in predicting cycloplegic spherical equivalent in the validation dataset, evaluated by mean absolute error, root mean square error, and coefficient of determination, expressed for spherical equivalent in diopters.
Day 0

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Diagnostic performance for identifying patients requiring cycloplegic refraction
Zeitfenster: Day 0
Area under the receiver operating characteristic curve, sensitivity, and specificity of the model for classifying patients with an absolute difference of 0.50 diopters or more between non-cycloplegic and cycloplegic spherical equivalent in the validation dataset.
Day 0
Agreement between predicted and measured cycloplegic refraction
Zeitfenster: Day 0
Agreement between predicted and measured cycloplegic spherical equivalent assessed by Bland-Altman analysis with mean bias and 95% limits of agreement, and by the intraclass correlation coefficient in the validation dataset.
Day 0

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Second Affiliated Hospital of Nanchang University

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

3. Oktober 2023

Primärer Abschluss (Geschätzt)

25. November 2026

Studienabschluss (Geschätzt)

25. November 2026

Studienanmeldedaten

Zuerst eingereicht

21. Juni 2026

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

5. Juli 2026

Zuerst gepostet (Tatsächlich)

8. Juli 2026

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

9. Juli 2026

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

7. Juli 2026

Zuletzt verifiziert

1. Juli 2026

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • [2026] NO.(123)

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .

Klinische Studien zur Machine learning model for predicting cycloplegic refraction

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Myanmar

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

3
Abonnieren