iSPAN: 通过机器学习,可解释地预测血栓切除术后的结果
Brendan S Kelly1, Prateek Mathur2, Silvia D Vaca3
1St Vincent's University Hospital, Dublin, Ireland; Insight Centre for Data Analytics, UCD, Dublin, Ireland; Wellcome Trust - HRB, Irish Clinical Academic Training, Dublin, Ireland; School of Medicine, University College Dublin, Dublin, Ireland; Lucille Packard Children's Hospital at Stanford, Stanford, CA, USA.
European journal of radiology
|February 24, 2024
概括
一个新的临床评分,iSPAN,改善了对中风患者进行内血管血栓切除术的预测结果. 它的表现优于现有的分数,并经过外部验证.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 临床预测模型临床预测模型
背景情况:
- 血管内血栓切除术是急性缺血性中风的关键治疗方法.
- 准确预测患者的结果对于治疗规划和资源分配至关重要.
- 现有的临床评分在预测血栓切除术后的结果方面存在局限性.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,用于预测中风患者的结果.
- 创建一个新的临床评分 (iSPAN) 整合ML衍生特征.
- 将iSPAN的预测性能与现有的分数 (SPAN,PRE) 和ML模型进行比较.
主要方法:
- 在2010-2020年期间接受治疗的812名前部循环中风患者的回顾性分析.
- 开发ML模型 (XGB) 并通过优化SPAN与ML功能来导出iSPAN分数.
- 在63名患者的单独队列上对iSPAN和SPAN的外部验证.
主要成果:
- 在XGB模型中,比SPAN得分 (0.628) 准确度更高 (0.738).
- 通过ML识别的关键预测特征是年龄,mTICI和通过次数.
- 新的iSPAN评分显示了与XGB模型相似的准确性,并在外部验证中显著优于SPAN (准确性为0.79比0.67).
结论:
- 该iSPAN得分有效地整合机器衍生的见解,以改善内血管血栓切除术患者的预测结果.
- iSPAN不低于先进的ML模型,并显示出强大的外部通用性.
- 这种新的评分为中风管理中的临床决策提供了更准确,更可靠的工具.
