Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

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

tiistai 7. heinäkuuta 2026 päivittänyt: 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.

Tutkimuksen yleiskatsaus

Tila

Rekrytointi

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

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.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Arvioitu)

2500

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Tutki yhteystietojen varmuuskopiointi

Opiskelupaikat

  • Kiina
      • Jiangxi, Kiina
        • Rekrytointi
        • The Second Affiliated Hospital of Nanchang University, Nanchang, JiangXi 330000
        • Ottaa yhteyttä:
        • Ottaa yhteyttä:

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

  • Aikuinen

Hyväksyy terveitä vapaaehtoisia

Ei

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

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

Kuvaus

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.

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Kohortit ja interventiot

Ryhmä/Kohortti
Interventio / Hoito
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.
Diagnostinen testi: 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.
Diagnostinen testi: 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.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Accuracy of predicted cycloplegic spherical equivalent
Aikaikkuna: 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

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Diagnostic performance for identifying patients requiring cycloplegic refraction
Aikaikkuna: 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
Aikaikkuna: 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

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Second Affiliated Hospital of Nanchang University

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Tiistai 3. lokakuuta 2023

Ensisijainen valmistuminen (Arvioitu)

Keskiviikko 25. marraskuuta 2026

Opintojen valmistuminen (Arvioitu)

Keskiviikko 25. marraskuuta 2026

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Sunnuntai 21. kesäkuuta 2026

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Sunnuntai 5. heinäkuuta 2026

Ensimmäinen Lähetetty (Todellinen)

Keskiviikko 8. heinäkuuta 2026

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Torstai 9. heinäkuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Tiistai 7. heinäkuuta 2026

Viimeksi vahvistettu

Keskiviikko 1. heinäkuuta 2026

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • [2026] NO.(123)

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .

Tilaa