使用机器学习预测中风后认知障碍:一项前性队列研究
Wencan Ji1, Canjun Wang2, Hanqing Chen3
1Nanjing Medical University, Nanjing, China; Jiangsu Research Center for Primary Health Development and General Practice Education, Jiangsu, China; Department of General Practice, Zhongda Hospital, Southeast University, Nanjing, China.
概括
一个新的高斯天真贝叶斯模型使用年龄和C反应蛋白等关键因素准确预测中风后认知障碍 (PSCI). 这种工具有助于在急性缺血性中风后对高风险患者的早期检测和预防策略.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物统计学 生物统计学
背景情况:
- 脑卒中后认知障碍 (PSCI) 是一种需要早期检测和管理的严重并发症.
- 开发PSCI的诊断预测模型对于中风幸存者来说在临床上很重要.
研究的目的:
- 利用机器学习算法来识别PSCI的关键预测因素.
- 开发和验证一个PSCI发生在急性缺血性中风 (AIS) 后3-6个月内的预测模型.
主要方法:
- 一项前性研究涉及附属中达医院的331名患者和66名来自外部验证队列的患者.
- 整合了9个机器学习分类模型,以确定最佳预测模型.
- 沙普利添加式解释 (SHAP) 用于个性化风险评估和模型解释.
主要成果:
- 确定PSCI的关键预测因素包括年龄,教育,NIHSS,CWMD,Hcy和CRP.
- 斯天真贝叶斯 (GNB) 模型表现出优异的性能,在验证集中AUC为0.925.
- 在测试组中,GNB模型实现了高精度 (0.864),灵敏度 (0.818) 和特异性 (0.932).
结论:
- 一个使用SHAP解释的GNB模型有效地预测PSCI.
- 这些发现支持为PSCI高风险人群制定预防策略.
- 该模型可以指导临床决策,用于中风患者的早期干预.
