基于机器学习的自发脑内出血不良结果的预测模型

科学领域:

• 神经外科 神经外科
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 自发性脑内出血 (ICH) 是全球主要的死亡和残疾原因.
• 准确预测ICH患者的结果对于有效的治疗策略至关重要.

研究的目的:

• 开发和比较机器学习 (ML) 模型,用于预测自发性脑内出血 (ICH) 患者的结果.
• 确定影响ICH患者预后的关键临床因素.

主要方法:

• 在2014年1月至2021年10月期间,对227名经过手术治疗的ICH患者进行了回顾性研究.
• 开发了四种ML模型 (SVM,决策树C5.0,ANN,后勤回归) 用于使用修改的兰金表来预测6个月的结果.
• 模型性能使用AUC,精度,特异性,灵敏度,PLR,NLR和DOR进行评估.

主要成果:

• 支持矢量机 (SVM) 模型的预测性能最高,AUC为0.91,准确度为0.92.
• 在预测有利或不利结果方面,SVM模型表现出高灵敏度 (0.93) 和特异性 (0.92).
• 操作室的时间 (TOR) 被确定为SVM模型中ICH结果中最重要的预测因素.

结论:

• SVM模型提供了一种可靠和有效的工具,用于预测脑内出血的结果.
• 早期的手术干预,以较短的手术室 (TOR) 时间为准,是改善患者预后的关键因素.