机器学习模型的比较,以预测严重创伤性脑损伤后的长期结果

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 创伤性脑损伤 (TBI) 是一个重要的全球健康问题,每年导致150万死亡.
• 对严重TBI患者的长期结果的准确早期预测仍然是医生面临的挑战.
• 机器学习 (ML) 为改善神经疾病预后的预测准确性提供了潜力.

研究的目的:

• 将各种ML模型的性能与TBI结果预测的标准后勤回归进行比较.
• 评估校准的ML模型在TBI后两年内预测结果的准确性.

主要方法:

• 对前性收集的严重TBI患者数据库的二次分析 (2002年11月 - 2018年12月).
• 使用了ML模型 (支持向量机,神经网络,决策树, naive Bayes) 和后勤回归来预测受伤后3,6,12和24个月的结果.
• 使用接收器操作特征曲线 (AUC) 下的面积和对死亡率和不利结果的均衡准确性来评估模型性能.

主要成果:

• 在所有时间点上,ML模型的性能与物流回归相似.
• 死亡率的AUC从0.71到0.85不等,不良结果的AUC从0.62到0.82.
• 决策树模型的性能低于其他方法;其他ML模型在校准后没有显著的性能差异.

结论:

• 与TBI的后勤回归相比,ML模型取得了同等的预后成功.
• 开发的TBI预测模型准确地预测了伤害后长达两年的结果.