基于机器学习的动脉瘤下关节出血功能结果的预后模型的比较
Han Wang1, Tomas L Bothe2, Chulei Deng3
1Institute of Translational Physiology, Charité - Universitätsmedizin Berlin, Corporate Member of Freie Universität Berlin and Humboldt-Universität zu, Berlin, Germany; Department of Neurosurgery, Nanjing Drum Tower Hospital, The Affiliated Hospital of Nanjing University Medical School, Nanjing, China.
对于动脉瘤下关节出血 (aSAH) 患者,传统的逻辑回归 (LR) 模型在预测功能结果方面表现优于先进的机器学习 (ML) 算法. 这一发现表明LR仍然是aSAH预后的宝贵工具.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 使用先进的机器学习 (ML) 算法,在动脉瘤下关节出血 (aSAH) 中预测工具的性能正在受到辩论.
- 缺乏全面的评估来确定ML预后模型对aSAH患者的临床益处.
研究的目的:
- 开发和评估ML模型,以预测aSAH患者的不良功能结果.
- 为了确定具有aSAH预后最高预测性能的ML模型.
主要方法:
- 对955名aSAH患者进行了回顾性研究.
- 使用5个ML算法构建预测模型:逻辑回归 (LR),k-最近邻居,极端梯度增强,随机森林和人工神经网络.
- 模型性能使用接收器操作特征曲线下的面积 (AUC-ROC),精度回忆曲线下的面积 (AUC-PR),校准曲线和决策曲线分析来评估.
主要成果:
- 复合ML模型显示AUC-ROC明显高于预测不利结果的简单模型.
- 逻辑回归 (LR) 在复合模型中显示出最高的AUC-PR和决策曲线分析中最大的好处,优于随机森林和极端梯度增强.
- LR模型表现出良好的校准.
结论:
- 传统的物流回归 (LR) 模型在预测aSAH患者的预后方面超过了先进的ML算法.
- LR模型可以作为医疗保健专业人员在管理aSAH患者中的一个有价值和有效的工具.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
05:05A Simplified Operation for the Endovascular Perforation Murine Model of Subarachnoid Hemorrhage
Published on: June 13, 2025