基于机器学习的急性缺血性中风临床预测模型,基于血清桑酸氧化酶水平

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 神经学 神经学

背景情况:

• 早期预测急性缺血性中风 (AIS) 的发病,进展和预后对于有效的治疗和管理至关重要.
• 目前用于AIS进展和预后的生物标志物缺乏广泛的临床采用.
• 在之前的研究中,血清中丁氧化酶 (XO) 水平显示出AIS的潜在临床预测价值.

研究的目的:

• 开发和评估用于预测AIS发病,进展和预后的机器学习模型.
• 利用血清XO水平和临床数据进行预测建模.
• 在AIS预测中比较不同机器学习算法的性能.

主要方法:

• 纳入了328名AIS患者和107名健康对照.
• 收集了血清XO水平和临床数据.
• 五个机器学习模型 (逻辑回归,SVM,决策树,随机森林,KNN) 被建立并使用AUROC,精度,灵敏度,特异性和预测值进行评估.

主要成果:

• 机器学习模型显示了AIS发病的强有力的预测价值,后勤回归 (LR) 模型实现了最高的AUROC (0.9586).
• 在所有模型中,AIS进展的预测性能相对较低 (AUROCs <0.7),尽管LR表现最好 (AUROC=0.6543).
• 该LR模型还显示了AIS预后的最高预测值 (AUROC=0.8124).

结论:

• 结合血清XO水平的机器学习模型可以有效地预测AIS发作和预后.
• 后勤回归模型在测试的算法中表现出优越的预测性能.
• 这些机器学习方法可以提高早期AIS诊断的准确性,并支持临床治疗决策.