机器学习使用呈现CT输液成像来预测患有神经瘤下结出血的患者的临床结果

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 通过当前的临床方法,很难预测动脉瘤下关节出血 (aSAH) 的结果.
• 机器学习 (ML) 提供了提高预测准确性的潜力.

研究的目的:

• 用临床和CT输液成像 (CTP) 数据评估ML模型的有效性.
• 预测延迟脑缺血 (DCI) 和aSAH患者的功能不良结果.

主要方法:

• 追溯分析242名aSAH患者的CTP数据.
• 开发和比较五个ML模型 (KNN,LR,SVM,RF,CatBoost) 与传统的临床模型.
• 使用最少绝对收缩和选择操作员方法和交叉验证的特征选择.

主要成果:

• 定性CTP分析是对预测结果最有影响的特征.
• 与传统模型相比,CatBoost ML模型表现出卓越的性能,实现更高的AUC值来预测DCI (0.949) 和差功能的结果 (0.958).
• CatBoost在测试组中显示了DCI和差功能的结果预测的提高灵敏度和特异性.

结论:

• 整合临床和CTP数据的ML模型在预测DCI和aSAH中功能不良结果方面显著优于传统的临床模型.
• 这些ML模型可以增强aSAH患者的早期治疗策略.