通过机器学习算法对创伤性脑损伤后的结果预测进行完善.
D Bark1, M Boman2,3, B Depreitere4
1Department of Medical Sciences Neurosurgery, Uppsala University, Uppsala, Sweden.
Scientific reports
|April 5, 2024
概括
机器学习模型可以预测创伤性脑损伤 (TBI) 后的全8级格拉斯哥结果量表扩展 (GOSE). 模型在内部和Leuven验证中显示出希望,但在ProTECT III数据集中没有.
科学领域:
- 神经科学是一个神经科学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 创伤性脑损伤 (TBI) 结果通常使用8级格拉斯哥结果量表扩展 (GOSE) 进行评估.
- 传统的二进制结果预测 (有利/不利) 可能会错过微妙的TBI恢复细微差别.
- 为完整的GOSE规模开发模型对于精确的TBI结果评估至关重要.
研究的目的:
- 探索机器学习 (ML) 方法来预测TBI患者的全8级GOSE.
- 为了比较不同ML模型在TBI结果预测中的性能.
- 通过内部和外部患者队列验证ML模型.
主要方法:
- 使用了患者数据,包括年龄,GCS运动得分,瞳孔反应和马歇尔CT得分.
- 开发并验证了比例赔率逻辑回归 (POLR),随机森林回归和神经网络模型.
- 包括866名患者进行内部验证和来自卢旺 (369) 和PROTECT III研究 (573) 的外部验证队伍.
主要成果:
- 在内部数据上,ML模型的准确度为0.3-0.35,显著超过随机基线 (0.125).
- 模型在卢文外部验证队列中表现出令人满意的性能.
- 当应用到ProTECT III多中心研究数据集时,性能是不令人满意的.
结论:
- 机器学习模型显示了预测TBI中全GOSE规模的潜力.
- 在外部数据集中,模型的概括性有所不同,这突显了对强有力的验证的需求.
- 需要进一步的研究来提高ML模型的性能和适用于各种TBI群体的适用性.


