机器学习模型的开发和验证,以预测莫亚莫亚病的术后心脏病发作
Yutaro Fuse1,2, Kazuki Ishii1, Fumiaki Kanamori1
11Department of Neurosurgery, Nagoya University Graduate School of Medicine, Nagoya, Aichi.
Journal of neurosurgery
|April 5, 2024
概括
机器学习有效地预测了使用常规数据的莫亚莫亚病 (MMD) 重血管化手术后的大脑梗塞. 关键预测因素包括特定的MRA发现和患者病史,改善患者结果评估.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 放射学 放射学是指放射学
背景情况:
- 脑梗塞是莫亚莫亚病 (MMD) 重血管化手术后的一个重要并发症.
- 现有的术后缺血风险因素鉴定在预测准确性方面存在局限性.
- 在MMD患者中预测脑梗塞后血管化需要先进的分析方法.
研究的目的:
- 评估机器学习 (ML) 算法的可行性,以预测MMD重血管化后的脑梗塞.
- 在MMD患者中确定术后脑梗塞的关键外科预测因素.
- 为了提高MMD患者进行再血管化的预后的准确性.
主要方法:
- 一个回顾性分析512个MMD患者从两个中心接受了重血管化手术.
- 在内部数据集上培训和交叉验证支持矢量机,随机森林和光梯度增强机模型.
- 使用Shapley添加式解释 (SHAP) 分析对模型性能和解释进行外部验证.
主要成果:
- 在外部验证过程中,光梯度增强机模型实现了最高的精度 (0.903) 和ROC-AUC (0.710).
- 最重要的预测因素包括术后血清马-氨基甲酸酶,后脑动脉参与,手术理由,心脏病发作痕存在,以及手术前的mRS得分.
- SHAP分析强调后脑动脉参与,手术理由和心脏病发作痕作为脑梗塞的显著积极预测因素.
结论:
- 机器学习模型在预测脑梗塞后MMD再血管化方面表现出实用性.
- 常规的外科手术周围数据可以通过ML算法有效地利用用于预后.
- 这种方法可以更精细地预测MMD患者的脑梗塞风险.
