使用机器学习方法提高了动脉瘤下arachnoid出血后的干线依赖头的预测
Dietmar Frey1,2, Adam Hilbert1, Anton Früh2
1CLAIM - Charité Lab for AI in Medicine, Charité Universitätsmedizin Berlin, Corporate Member of Freie Universität Berlin, Humboldt-Universität Zu Berlin and Berlin Institute of Health, Charitéplatz 1, 10117, Berlin, Germany.
Neurosurgical review
|August 18, 2023
概括
机器学习模型准确地预测了动脉瘤下关节出血 (aSAH) 后的干线依赖头症 (SDHC). 这些先进的模型利用临床和实验室数据,为更好的患者管理提供了改进的风险评估.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
背景情况:
- 关节依赖性头症 (SDHC) 是动脉瘤下关节出血 (aSAH) 后的一个常见并发症.
- 早期和可靠的SDHC预测对于减少住院和预防导管相关脑膜炎等并发症至关重要.
- 传统的预测方法在准确性和及时性方面存在局限性.
研究的目的:
- 评估机器学习 (ML) 模型在aSAH后预测SDHC方面的有效性.
- 将ML模型的性能与传统的非ML预测方法进行比较.
- 确定关键的临床,放射和实验室变量,以准确预测SDHC.
主要方法:
- 训练有素的ML模型 (Naive Bayes,多层感知器,树增强) 使用292名aSAH患者的临床,放射和实验室数据.
- 使用组合特征集,并纳入脑脊液 (CSF) 排水数据作为晚期特征.
- 使用曲线下的面积 (AUC) 度量来评估模型性能.
主要成果:
- 非ML预测方法取得了可接受的性能 (AUC 0.77-0.78).
- 使用组合特征集的ML模型 (NB,MLP) 显示出出色的性能,AUC为0.80.
- 纳入CSF排水数据进一步提高了ML模型的性能 (AUC 0.80-0.81).
结论:
- ML模型显示了可靠预测aSAH患者SDHC风险的显著潜力.
- 机器学习模型可以单独使用入学数据来实现出色的预测性能.
- 未来的ML应用程序可以通过改善临床决策来优化SDHC管理.
