可解释的机器学习模型用于基于成像的预测心脏骤停后的结果

科学领域:

• 医学成像分析分析 医学成像分析
• 机器学习在医疗保健中的应用
• 神经病学和重症监护

背景情况:

• 早期识别心脏骤停后的脑损伤对于预后至关重要.
• 当前机器学习模型中缺乏可解释性阻碍了临床采用.

研究的目的:

• 开发一种可解释的机器学习方法,用于识别与心脏骤停预后相关的CT成像模式.
• 用这些可解释的成像模式来预测患者的生存和觉醒状态.

主要方法:

• 对1284名成年患者进行回顾性分析,在心脏骤停后24小时内接受脑CT.
• 将CT图像分解成部分空间,以确定可解释的损伤模式.
• 开发机器学习模型,使用已识别的模式预测结果 (生存,觉醒).

主要成果:

• 机器学习模型实现了AUC的0.710预测生存和0.702预测唤醒.
• 专家医生证实了所识别的成像模式的临床相关性.
• 35%的患者从昏迷中醒来,34%的患者幸存下来从医院出院.

结论:

• 开发了一种可解释的方法来识别CT扫描中的早期脑损伤模式.
• 这些已识别的成像模式可以预测心脏骤停后患者的结果.
• 这种方法提高了机器学习在预后方面的可靠性和潜在的临床转化.