基于机器学习的模型的开发和内部验证以及现有风险评分的外部验证,用于预测缺血性中风患者的结果
Daniel Axford1, Ferdous Sohel1, Vida Abedi2
1Department of Information Technology, Mathematics and Statistics, College of Science, Health, Engineering and Education, Murdoch University, Murdoch, Australia.
European heart journal. Digital health
|March 20, 2024
概括
新的机器学习模型准确地预测了急性缺血性中风 (AIS) 后的复发性中风或死亡. 这些模型在短期和长期结果方面显示了比现有风险得分更好的表现.
科学领域:
- 神经学 神经学
- 数据科学数据科学数据科学
- 生物统计学 生物统计学
背景情况:
- 急性缺血性中风 (AIS) 对复发事件和死亡率构成重大风险.
- 现有的风险预测模型,如iScore和THRIVE在准确性和范围上都有局限性.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以预测AIS后的复合结果 (复发性中风或全因死亡率).
- 为了外部验证iScore和THRIVE分数的性能,以预测长期结果.
主要方法:
- 开发了三个ML模型:随机森林 (RF),支持向量机 (SVM) 和极端梯度增强 (XGBOOST).
- 对iScore和THRIVE分数的外部验证使用了来自AIS住院的721名成年患者的数据.
- 住院后90天和3年的复合结果的预测.
主要成果:
- 与iScore和THRIVE相比,ML模型显示出更好的预测性能.
- 对于90天的预测,AUC在0.779 (RF) 到0.664 (THRIVE) 之间.
- 对于3年预测,AUC从0.777 (SVM) 到0.675 (THRIVE) 之间.
结论:
- 开发的ML模型为AIS后的预测结果提供了改进的歧视和临床实用性.
- 机器学习模型扩大了AIS后长期结果的风险预测的适用性.
- 在新数据集中对ML和统计模型进行比较分析是有必要的.
