Resumen

La detección temprana de síntomas visuales en pacientes con pterigión es crucial, ya que la progresión de la enfermedad puede causar alteraciones visuales y contribuir a la discapacidad visual. La agudeza visual mejor corregida (BCVA) y el astigmatismo corneal influyen en el grado de discapacidad visual debido a la invasión directa del tejido fibrovascular en la córnea. Sin embargo, existen diferentes características del pterigión que se utilizan para evaluar la gravedad de la discapacidad visual, incluyendo la carnocidad, tamaño, longitud y enrojecimiento. La innovación de la tecnología de aprendizaje automático en ciencias visuales puede contribuir al desarrollo de un modelo de análisis predictivo altamente preciso de los resultados de BCVA en pacientes con pterigión después de la cirugía. Para producir un modelo preciso de los cambios en BCVA después de la cirugía de pterigión de acuerdo a sus características morfológicas utilizando la técnica de aprendizaje automático. Se utilizó una retrospectiva del conjunto de

• Materias:Infecciones Fracturas Analgésicos Actividades antioxidantes Erupciones
• Subjects:Infections Fractures Analgesics Antioxidant activities Eruptions
• Palabras claves:Progresión de la enfermedad; Deterioro visual; Tecnología de aprendizaje automático; Modelo de análisis predictivo; Resultados de la AVCC mejor corregida; Cirugía de pterigio
• Keywords:Disease progression; Visual impairment; Machine learning technology; Predictive analytics model; BCVA outcomes; Pterygium surgery