在急性缺血性中风中使用诺莫格拉姆和机器学习开发和验证用于反疗法的结果预测模型
Qianwen Wang1,2, Jiawen Yin1, Lei Xu1
1Department of Neurology, Beijing Hospital, National Center of Gerontology, Institute of Geriatric Medicine, Chinese Academy of Medical Sciences, No. 1 DaHua Road, Dong Dan, Beijing, 100730, People's Republic of China.
概括
预测急性缺血性中风 (AIS) 转流疗法后的不良结果至关重要. 新的逻辑回归名录和机器学习模型使用关键患者因素准确预测3个月的功能结果.
科学领域:
- 神经学 神经学
- 生物统计学 生物统计学
- 医疗信息学 医疗信息学
背景情况:
- 急性缺血性中风 (AIS) 的治疗通常涉及到再注射疗法.
- 预测再输血后的功能结果对于患者管理至关重要.
- 当前的预测方法可能需要提高准确性和通用性.
研究的目的:
- 开发和验证用于AIS患者进行再输血的3个月不良功能结果的预测模型.
- 为了比较物流回归名ogram与机器学习 (ML) 模型的性能.
主要方法:
- 对接受再输血治疗 (血栓溶解和/或内血管治疗) 的AIS患者进行前性队列研究.
- 不利的结果被定义为修改后的兰金尺度 (mRS) 3-6分.在3个月后.
- 使用已识别的预后因素开发后勤回归名图和各种ML模型.
- 使用曲线下的面积 (AUC),校准曲线和决策曲线分析 (DCA) 评估模型性能.
- 在独立患者队列上进行的外部验证.
主要成果:
- 确定了不利结果的五个独立预测因素:基线NIHSS,D-二次数,随机血糖 (RBG),BUN和SBP在再注射之前.
- 后勤回归名图显示出良好的区别,AUC值为0.865 (训练),0.818 (测试) 和0.779 (外部验证).
- 机器学习模型,包括额外树木,CatBoost和随机森林,也显示出有利的歧视和通用性.
结论:
- 基线NIHSS,D-二次体,RBG,BUN和SBP是AIS中再注射后3个月功能结果的显著预测因素.
- 开发的名录和机器学习模型都表现出强大的预测性能和通用性.
- 这些模型可以帮助AIS患者接受再注射治疗的临床决策.
