在急性缺血性中风后使用机器学习预测中风后的认知障碍
Minwoo Lee1, Na-Young Yeo2,3, Hyo-Jeong Ahn2,3
1Department of Neurology, Hallym University Sacred Heart Hospital, Hallym University, Anyang, South Korea.
Alzheimer's research & therapy
|August 31, 2023
概括
机器学习模型在急性缺血性中风 (AIS) 患者中准确预测中风后认知障碍 (PSCI). 极端梯度提升和人工神经网络显示出对认知结果的最高预测准确性.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 脑卒中后认知障碍 (PSCI) 影响高达50%的急性缺血性脑卒中 (AIS) 患者.
- 预测AIS中的认知结果对于指导治疗决策至关重要.
- 这项研究调查了机器学习用于PSCI预测的使用.
研究的目的:
- 评估机器学习模型在AIS后预测PSCI的有效性.
- 为了比较不同的机器学习算法的性能,用于认知结果预测.
主要方法:
- 对AIS患者的潜在PSCI队列的回顾性分析.
- 包括人口,临床和神经成像变量.
- 开发和比较四种机器学习模型:逻辑回归,支持向量机,极端梯度提升和人工神经网络.
- 主要结局:3-6个月后的PSCI,根据VCIHS-NP标准定义.
主要成果:
- 分析了951名AIS患者 (平均年龄65.7岁,61.5%是男性).
- 极端梯度增强 (AUC 0.7919) 和人工神经网络 (AUC 0.7365) 模型显示出最高的预测准确度.
- 确定了关键预测因素:皮质梗塞,叶缩,最初的中风严重程度,中风史和战略性心脏病发作.
结论:
- 机器学习算法,特别是极端梯度提升和人工神经网络,在预测风后认知结果方面是有效的.
- 这些模型为识别患有PSCI风险的患者提供了一个有希望的方法.
