通过可解释的机器学习衍生早期预警策略来预测身体瘤发作后的主观认知衰退
Yawen Xu1, Xu Sun1, Yanqun Liu1
1Department of Neurology, Changhai Hospital, Second Military Medical University, Shanghai, China.
Frontiers in neurology
|July 7, 2023
概括
机器学习模型可以预测体梗塞后的主观认知衰退. 逻辑回归模型使用常见变量,显示了早期风险预测的最佳性能.
科学领域:
- 神经学 神经学
- 机器学习 机器学习
- 脑卒中研究 脑卒中研究
背景情况:
- 体 (CC) 梗塞是一种罕见的中风亚型,具有严重的认知障碍后果.
- 早期发现认知能力下降对于改善心血管梗塞患者的长期结果至关重要.
研究的目的:
- 开发和验证用于早期预测主观认知衰退 (SCD) 的机器学习模型.
- 在心血管梗塞幸存者中确定SCD的关键预测因子.
主要方法:
- 从9年队列 (8,555名急性缺血性中风患者) 中对213名心脏病发作患者进行前性研究.
- 一年电话后续使用BRFSS问卷来评估SCD.
- 开发了七个机器学习模型 (包括逻辑回归,XGBoost,SVM),并使用LASSO进行特征选择和SHAP进行解释,进行比较.
主要成果:
- 后勤回归 (LR) 模型实现了SCD.的最高预测性能 (AUC 77.1%).
- 通过LASSO和SHAP确定的顶级预测因素包括心血管梗塞亚区域,女性性别,3个月的mRS得分,年龄,同类蛋白和血管样性特征.
- 心脏病发作分区域,女性性别,3个月的mRS和纯的CC心脏病发作独立地与认知结果相关.
结论:
- 使用九个常见变量的LR模型,在预测中风后SCD中心脏病发作中表现优异.
- 将LR模型与SHAP分析相结合,为个性化风险评估和早期干预决策提供了一个工具.
