基于机器学习的中风患者死亡率预测

科学领域:

• 神经学 神经学
• 数据科学数据科学数据科学
• 公共卫生 公共卫生

背景情况:

• 预测中风死亡率对于定制患者护理和提高生存率至关重要.
• 机器学习 (ML) 为开发医疗保健中准确的预测模型提供了一个有希望的方法.

研究的目的:

• 设计和评估一种机器学习模型,用于预测中风后的一年死亡率.
• 使用ML和可解释性技术识别中风死亡率的关键预测因素.

主要方法:

• 利用了来自国家多民族中风登记处的数据,包括9840名患者.
• 训练和评估了八个ML模型,其中XGBoost显示最佳性能.
• 采用了夏普利添加式解释 (SHAP) 来识别有影响力的预测因素.

主要成果:

• XGBoost模型在预测一年内中风死亡率方面取得了高准确性 (94.5%) 和AUC (87.3%).
• 关键预测因素包括国家卫生研究院中风量表 (NIHSS) 评分,年龄,住院时间,到达方式,心率和血压.
• 更高的NIHSS,年龄和更长的住院时间与增加的死亡率有关,而救护车到达和更低的BMI预测了更差的结果.

结论:

• 开发的ML模型有效地预测了中风死亡率,强调了临床和人口因素的重要性.
• 这些发现支持使用ML来加强中风风险评估和个性化护理策略.
• 建议进行前性验证,以确认临床有效性并促进更广泛的采用.