利用机器学习来促进后部循环中风的早期诊断

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 后循环综合征 (PCS) 由于非特异性症状而带来诊断挑战.
• 早期和准确的PCS诊断对于患者的治疗结果至关重要.
• 在早期有效诊断PCS方面存在研究缺口.

研究的目的:

• 提高后循环综合征 (PCS) 的早期诊断.
• 通过机器学习利用临床和人口统计数据来改进PCS检测.
• 解决先进中风诊断工具的需求.

主要方法:

• 对国家中风注册数据集 (2014-2022) 的分析,其中包括15,859名中风患者.
• 培训和评估五种机器学习模型:XGBoost,随机森林,SVM,CART和物流回归.
• 使用包括AUC,准确性,精度,回忆和F1分数在内的全面性能指标.

主要成果:

• XGBoost模型表现出卓越的性能,AUC为0.81.
• 通过SHAP分析识别的关键诊断变量包括BMI,随机血糖,动脉缩,动脉障碍,腹压和体温.
• 这些因素在很大程度上有助于早期识别PCS.

结论:

• 这项研究引入了一种使用临床数据和机器学习用于早期PCS诊断的新方法.
• 简单的临床指标可以使临床医生能够及时诊断PCS.
• 这些发现提升了PCS的理解和临床决策,尽管需要进一步验证.