结合临床和成像数据来预测急性缺血性中风后的功能结果:一种自动机器学习方法
Hongju Jo1, Changi Kim2, Dowan Gwon3
1Department of CGMS Sensor, Sensor R&D Center, i-SENS, Seoul, Republic of Korea.
Scientific reports
|October 7, 2023
概括
一个自动化的机器学习系统准确地预测了急性缺血性中风患者的3个月功能结果. 结合临床和神经成像数据,这种先进的模型优于传统的风险得分,可以更好地预测中风的结果.
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:
- 在急性缺血性中风 (AIS) 后预测功能结果对于患者管理至关重要.
- 传统的风险评分模型在准确预测长期复苏方面存在局限性.
研究的目的:
- 开发和验证一个自动机器学习 (ML) 系统,用于预测AIS患者的3个月功能结果.
- 整合临床和神经成像功能,以提高预测准确度.
主要方法:
- 开发了三个ML模型:仅临床特征 (Model_A),仅神经成像数据 (Model_B) 和集成特征 (Model_C).
- 利用了4147名患者的多中心中风注册数据集.
- 将ML模型与传统风险评分方法进行对比.
主要成果:
- 集成的ML模型 (Model_C) 实现了最高的预测性能,曲线下的面积 (AUC) 为0.786.6.
- 关键预测因素包括年龄,最初的美国国立卫生研究院中风量表 (NIHSS) 和早期的神经系统恶化.
- 综合模型的表现优于传统风险评分模型.
结论:
- 结合临床和神经成像数据的自动化ML系统显著改善了AIS患者功能结果的预测.
- 与现有的风险评分模型相比,这种综合方法提供了一个更准确,更强大的工具.
