使用机器学习来发现创伤性脑损伤患者的表型:国家脑震荡监测系统试点
Dana Waltzman1, Jill Daugherty1, Alexis Peterson1
1Centers for Disease Control and Prevention (CDC), National Center for Injury Prevention and Control (NCIPC), Division of Injury Prevention, Atlanta, Georgia, USA.
Brain injury
|May 9, 2024
概括
无监督机器学习确定了五种不同的创伤性脑损伤 (TBI) 现型. 一个表型显示更严重的TBI与更糟糕的临床结果,突出机器学习.
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
- 公共卫生 公共卫生
背景情况:
- 创伤性脑损伤 (TBI) 是一种复杂的疾病,具有多种不同的临床表现.
- 识别不同的TBI表型对于有针对性的治疗和改善患者治疗结果至关重要.
- 当前的分类方法可能无法完全捕捉到TBI的异质性.
研究的目的:
- 研究无监督机器学习在识别特异性创伤性脑损伤 (TBI) 现型方面的实用性.
- 确定这些已识别的TBI表型是否具有独特的临床特征和结果.
主要方法:
- 在国家脑震荡监测系统 (NCSS) 的大量自报TBI病例数据集上,利用无监督机器学习,特别是围绕medoids (PAM) 进行分区.
- 采用Gower的不相似性矩阵进行集群分析,以根据受伤,结果和临床特征将个人分组.
- 分析了1364名成年人的试点数据集,这些成年人在过去12个月内自我报告了头部受伤.
主要成果:
- PAM算法成功识别了五个不同的TBI集群 (表型A-E).
- 与其他表型相比,表型C的特征是临床上更严重的结核病,更高的症状流行率和更差的功能结果.
- 现象型C的个体表现出明显更高的医疗评估几率,未解决的症状,以及对社会和工作功能产生重大影响.
结论:
- 无监督机器学习有效地将个人分类为独特的TBI表型,具有不同的临床配置文件.
- 这些发现表明,机器学习可以帮助理解TBI异质性,并可能支持临床诊断和恢复策略.
- 需要进一步的研究来探索这些机器学习衍生的TBI分类的临床实用性.
