通过机器学习预测内血管治疗后急性缺血性中风患者的功能结果
Zhenxing Liu1,2, Renwei Zhang1, Keni Ouyang1,3
1Department of Neurology, Zhongnan Hospital of Wuhan University, 169 Donghu Road, Wuchang District, 430071, Wuhan, Hubei, China.
Translational neuroscience
|November 30, 2023
概括
一个新的名图预测了接受内血管治疗 (EVT) 的急性缺血性中风患者的结果. 该工具使用年龄,中风严重程度和并发症等因素来预测EVT后的功能依赖,帮助临床决策.
科学领域:
- 神经学 神经学
- 干预性放射学 干预性放射学
- 医疗信息学 医疗信息学
背景情况:
- 内血管疗法 (EVT) 是急性缺血性中风与大血管封闭的标准治疗方法.
- 预测EVT后患者的预后对于临床管理至关重要.
- 这项研究的重点是开发EVT后结果的预测模型.
研究的目的:
- 开发和验证一种用于治疗急性缺血性中风的患者用EVT治疗的功能结果的预测模型.
- 确定影响EVT后预后的关键因素.
- 创建一个用户友好的工具 (nomogram) 来预测患者的结果.
主要方法:
- 对接受EVT的156名患者的回顾性分析.
- 使用最小绝对收缩和选择运算符 (LASSO) 和单变量后勤回归来选择预测因子.
- 使用机器学习算法 (逻辑回归,LDA,SVM,k-NN,决策树) 构建预测模型.
主要成果:
- 确定了六个关键预测因素:年龄,基线NIHSS,ASPECT得分,修改的mTICI得分,症状性脑内出血 (sICH) 和并发症.
- 不同的模型表现出良好的区分能力.
- 一个基于多变量逻辑回归的名图显示出强大的预测性能.
结论:
- 开发的诺米图,包括年龄,基线NIHSS,ASPECT得分,再通道状态,SICH和并发症,有效地预测了EVT后的结果.
- 这个名图可以帮助临床医生评估中风患者的预后和指导治疗决策.
- 该研究强调了机器学习在开发神经干预临床预测工具时的实用性.
