基于机器学习的结果预测微手术治疗未破裂的内动脉瘤的结果

科学领域:

• 神经外科 神经外科
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 未破裂的内动脉瘤 (UIA) 需要精确预测微手术治疗的结果.
• 机器学习 (ML) 提供了提高神经外科手术预测准确性的潜力.
• 长期患者数据注册表对于开发和验证预测模型非常有价值.

研究的目的:

• 开发和验证ML模型,用于预测UIA经过微手术治疗的患者的功能和临床结果.
• 评估ML模型的预测性能,使用时间列车测试分段进行前性验证模拟.
• 将ML模型的有效性与UIA结果预测的传统后勤回归进行比较.

主要方法:

• 使用466名UIA患者 (2002-2020) 的手术前参数开发ML模型 (二次差异分析,多层感知器).
• 时间列车测试分为内部验证,模拟未来的应用.
• 外部验证使用来自不同机构的256名UIA患者的独立数据集.
• 沙普利添加式解释 (SHAP) 分析,以确定性能差异的关键预测特征和原因.

主要成果:

• 在内部数据集中,ML模型对修改的兰金尺度 (mRS) 和永久的神经缺陷 (ROC-AUC高达0.87) 显示出良好的预测性能.
• 四次差异分析 (QDA) 是最佳的预测术后mRS>2和永久的新的神经缺陷.
• 外部验证显示差别很差 (ROC-AUC < 0.61),这表明开发模型的概括性有限.
• SHAP分析表明,内部和外部数据集之间的不同特征分布是导致普遍性差的原因.

结论:

• 机器学习模型显示出预测微手术治疗UIA的结果的前景,特别是内部验证.
• 目前的ML模型的通用性有限,需要更大,多机构的数据集.
• 未来的努力应集中在数据合并和新数据的整合上,以建立更强大,更广泛的UIA治疗预测模型.