在泰国的线性,非线性和机器学习回归模型中,对水患者的内压力预测进行比较
Avika Trakulpanitkit1, Thara Tunthanathip1
1Division of Neurosurgery, Department of Surgery, Faculty of Medicine, Prince of Songkla University, Songkhla, Thailand.
Acute and critical care
|August 31, 2023
概括
机器学习模型,特别是Random Forest和XGBoost,使用视神经外直径和心室指数,准确地预测水脑患者的内压力 (ICP). 这些模型为预后提供了潜在的非侵入性方法.
科学领域:
- 神经外科 神经外科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 水脑 (HCP) 对神经外科患者构成重大风险,导致内压力 (ICP) 增加,死亡率和发病率.
- 机器学习 (ML) 在预测医疗保健中持续结果方面表现有前途.
研究的目的:
- 在HP患者中确定与ICP相关的因素.
- 对ICP进行线性,非线性和ML回归模型的预测性能进行比较.
主要方法:
- 对412名接受心室静脉切除术的HCP患者进行了回顾性分析.
- 记录了手术期间的ICP,并分析了与ICP相关的临床/成像参数.
- 使用线性,非线性和ML回归模型比较预测性能.
主要成果:
- 视神经外直径 (ONSD) 与ICP (r=0.530,P<0.001) 呈现出中等正相关性.
- 心室指数与ICP没有显著的相关性.
- 随机森林 (RF) 和极度梯度增强 (XGBoost) 模型在包括ONSD和心室指数时,显示出更高的ICP预测准确度 (低MAE/RMSE,高R2).
结论:
- XGBoost 和 RF 算法对于预测手术前的 ICP 和 HCP 患者的预后有效.
- 基于ML的预测为管理HCP提供了潜在的非侵入性方法.


