机器学习模型用于预测早期神经系统恶化和急性缺血性中风风险分类
Huan Yang1, Zhe Lv1, Wenxi Wang2
1Department of Emergency, First Hospital of Qinhuangdao, Qinhuangdao, Hebei, China.
概括
机器学习模型在治疗前准确地预测急性缺血性中风患者的早期神经系统恶化. 将临床数据与炎症细胞比率结合起来,可以显著提高预测准确度,从而更好地对患者进行风险分类.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 早期神经系统恶化 (END) 是急性缺血性中风 (AIS) 的关键并发症.
- 在静脉血栓溶解 (IVT) 之前预测END对于及时干预和风险分层至关重要.
- 当前的预测方法在识别高风险恶化的患者时可能缺乏准确性.
研究的目的:
- 开发和验证机器学习模型,用于在IVT之前预测AIS患者的END.
- 确定与END相关的关键临床和炎症标志物.
- 评估结合临床指标和炎症细胞比率的模型的预测性能.
主要方法:
- 利用最小绝对收缩和选择操作员 (LASSO) 回归来从临床数据中选择预测因素 (模型1).
- 采用后勤回归来识别由炎症细胞比率 (中性质细胞与淋巴细胞比率,血小板与中性质细胞比率,血小板与淋巴细胞比率) 的独立预测因子.
- 开发了第二个模型 (模型2),整合了临床指标和炎症细胞比率;使用接收器运行特征 (ROC) 曲线评估性能.
主要成果:
- 模型1,使用临床指标 (NIHSS得分,缩血压,淋巴细胞百分比),显示中等预测能力 (AUC 0.721训练,0.635测试).
- 采用炎症细胞比率的模型2显示出卓越的性能 (AUC 0.862训练,0.816测试).
- 炎症细胞比率被确定为END的独立预测因素.
结论:
- 整合临床指标和炎症细胞比率的机器学习模型有效预测AIS患者在IVT之前的END.
- 综合模型为早期风险分类和管理决策提供了更高的准确性.
- 这种方法有望提高急性缺血性中风护理患者的治疗结果.
