在自发性脑内出血中预测结果:与支持矢量机器匹配的倾向性得分分析
Mervyn Jun Rui Lim1, Raphael Hao Chong Quek2, Kai Jie Ng3
1Department of Neurosurgery, University Surgical Centre, National University Hospital, Singapore, Singapore.
World neurosurgery
|November 26, 2023
概括
手术可以改善自发性脑内出血 (SICH) 患者的死亡率,但并非所有手术干预措施都同样有效. 可解释的机器学习可以识别受益于特定外科手术方法的患者子组.
科学领域:
- 神经外科 神经外科
- 医疗人工智能 医疗人工智能
- 临床研究 临床研究
背景情况:
- 在自发性脑内出血 (SICH) 时,手术干预的疗效仍在争论中.
- 确定从手术中受益的患者子组对于治疗优化至关重要.
研究的目的:
- 通过可解释的机器学习 (ML) 和倾向-分数匹配,研究SICH中手术的影响.
- 以一种可解释的方式识别可能从手术中受益的患者子组.
主要方法:
- 一项对282名SICH患者 (≥21年) 的回顾性研究.
- 开发ML模型来预测手术和手术疏散.
- 为了模型的可解释性,利用了夏普利添加式解释 (SHAP).
- 倾向性比分匹配,以评估手术对90天不良功能结果 (PFO) 的影响.
主要成果:
- 32.6%的患者进行了手术;20.2%的患者进行了手术疏散.
- 62.8%的人经历了90天的PFO.
- PFO的关键预测因素包括格拉斯哥昏迷度量得分,年龄,血瘤体积,位置和心室延伸.
- 手术,而不是外科疏散,显著改善了90天死亡率 (OR 0.26;P=0.006).
结论:
- 可解释的ML可以澄清SICH的结果预测,并识别对手术有反应的患者.
- 未来的SICH研究应该使用可解释的ML来确定受益于手术干预的子组.
