在急性缺血性中风中基于机器学习的短期预后预测模型的构建和比较
Yinting Xing1, Yingyu Jin1, Yanhong Liu2
1Department of Clinical Laboratory, The First Affiliated Hospital of Harbin Medical University, Harbin City, Heilongjiang Province, China.
Heliyon
|January 18, 2024
概括
机器学习模型准确地预测了急性缺血性中风 (AIS) 的预后. 中性粒细胞-D-二次体 (NDM) 标记物和随机森林模型显示了AIS结果的最佳预测性能.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 急性缺血性中风 (AIS) 给健康带来了重大挑战,需要准确的短期预后预测.
- 机器学习 (ML) 为在临床环境中开发复杂的预测模型提供了潜力.
研究的目的:
- 构建和比较机器学习模型,以预测急性缺血性中风的短期预后.
- 确定最佳的ML模型和AIS预后的关键预测因素.
主要方法:
- 一项回顾性研究,涉及根据修改的兰金度量 (mRS) 评分对患者进行分组.
- 构建和比较多个ML模型 (glmnet,rpart,xgboost,randomForest,神经网络).
- 使用四个独立的临床数据集进行外部验证,以评估模型的概括性.
主要成果:
- 中性粒细胞-D-二聚体 (NDM) 指数在所有开发的ML模型中显示出预测价值.
- 随机森林 (RF) 模型在变量查和外部临床验证方面表现出卓越的性能.
- 使用NDM和年龄识别的低风险AIS患者 (<20%的不良预后) 的特定决策树规则.
结论:
- 中性粒细胞-D-二聚体 (NDM) 标记物是各种ML模型中AIS短期预后的有价值预测剂.
- 随机森林 (RF) 模型因其在外部数据集上的变量选择和性能方面的有效性而被推.
- 射频是一个适合用于医学数据分析的算法,采用小样本大小和分类结果.
