其他急救中风小组会做什么? 使用可解释的机器学习来理解血栓溶解实践的变化

科学领域:

• 神经学 神经学
• 医疗保健服务研究 医疗服务研究
• 医疗信息学 医疗信息学

背景情况:

• 血栓溶解是急性缺血性中风的关键治疗方法.
• 对于血栓溶解的使用在医院之间存在显著差异.
• 了解这些变化是改善中风护理公平性的关键.

研究的目的:

• 调查导致英格兰和威尔士医院之间的血栓溶解管理在急诊中风入院的差异的因素.
• 量化患者特征与医院级因素对血栓溶解利用的影响.

主要方法:

• 使用机器学习 (XGBoost) 在哨兵中风国家审计计划 (SSNAP) 数据集上 (n=88,928名患者,2016-2018).
• 使用SHAP (夏普利增量解释) 值来解释模型的可解释性.
• 分析患者特征和医院身份作为血栓溶解接收的预测因素.

主要成果:

• 血栓溶解的使用在各医院之间差异很大 (7%-49%).
• 影响血栓溶解的关键因素包括到达扫描的时间,中风的严重程度,发病时间的准确性,中风前的残疾和患者年龄.
• 大多数医院间的差异归因于医院层面的因素,而不是患者人群差异.

结论:

• 可解释的机器学习确定了医院内过程和临床判断变异作为血栓溶解使用差异的主要驱动因素.
• 改善标准化的医院中风护理途径和决策协议至关重要.
• 解决这些系统因素可以帮助减少在急性中风治疗中的地理不平等.