使用机器学习预测与心房相关的中风的短期结果

科学领域:

• 计算神经学的计算神经学.
• 心血管研究的心血管研究.
• 医疗信息学医学信息学

背景情况:

• 心房动 (AF) 与中风患者的不良结果有关.
• 准确的预后预测对于早期管理AF相关的中风至关重要.

研究的目的:

• 开发和验证机器学习模型,用于预测AF相关中风的短期结果.
• 确定导致AF患者中风结果的关键预后因素.

主要方法:

• 使用两个独立的数据集 (K-ATTENTION和KUSR) 进行内部和外部验证.
• 开发并将后勤回归模型与基于树的多层感知器 (MLP) 机器学习模型进行比较.
• 在性能评估和Shapley添加式解释 (SHAP) 中使用接收器运行特征曲线 (AUROC) 下的区域,以确定变量的重要性.

主要成果:

• 机器学习模型,特别是MLP,在预测3个月的不良功能状态时显著优于逻辑回归 (AUROC0.890内部,0.859外部).
• 两种ML模型在内部验证中都显示出与后勤回归相比,对3个月死亡率的预测优越.
• 美国国立卫生研究院和中风量表的初始分数是不利结果和死亡率的最重要的预测指标.

结论:

• 可解释的机器学习模型可提供可靠的预测,对AF相关中风的短期结果.
• 这些模型有效地识别高风险患者,有助于针对性干预和改善中风护理.