使用机器学习算法从现实数据中预测新发的中风后抑郁症
Yu-Ming Chen1, Po-Cheng Chen2, Wei-Che Lin3
1Department of Psychiatry, Kaohsiung Chang Gung Memorial Hospital, Chang Gung University College of Medicine, Kaohsiung, Taiwan.
Frontiers in psychiatry
|July 5, 2023
概括
机器学习模型可以预测缺血性中风患者的中风后抑郁症 (PSD). 年龄,血压变化和睡眠障碍等关键因素有助于识别高风险个体,以便进行早期干预.
科学领域:
- 神经学 神经学
- 精神病学是一个精神病学.
- 医疗信息学 医疗信息学
背景情况:
- 脑卒中后抑郁症 (PSD) 是缺血性脑卒中后的一种严重并发症,需要早期检测才能有效的临床管理.
- 现实世界的数据为开发新发病PSD的预测模型提供了宝贵的资源.
研究的目的:
- 开发和验证机器学习模型,用于预测缺血性中风后新发病PSD的发生.
- 确定与中风后各个时间点PSD发展相关的关键临床特征.
主要方法:
- 利用来自台湾医疗机构 (2001-2019) 的61 460名缺血性中风患者的大数据集进行模型开发.
- 在15,366名患者的独立队列上验证了模型,在中风后的30,90,180,365天评估了特异性和敏感性.
- 采用机器学习来识别和排名PSD的重要临床预测因素.
主要成果:
- 在研究队列中,PSD的患病率为1.3%.
- 机器学习模型的平均特异性在0.83-0.91之间,灵敏度在0.30-0.48.8之间.
- 十个关键特征,包括晚年,新发高血压和中风后睡眠/焦虑障碍,被确定为重要的PSD预测因素.
结论:
- 机器学习模型显示出有前途的预测工具,用于识别患有PSD风险的患者.
- 确定关键的临床因素使临床医生能够主动查和管理高风险中风幸存者的抑郁症.


