在瑞典,开发机器学习模型来预测多类功能结果和中风后三个月的死亡

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:

• 在全球范围内,中风是导致死亡和残疾的主要原因,给社会带来了巨大的代价.
• 准确预测中风结果对于优化医疗保健资源配置和改善患者护理至关重要.
• 现有的预测方法可能无法充分利用例行收集数据的潜力.

研究的目的:

• 开发和评估监督机器学习模型,用于预测中风的结果 (功能依赖和死亡).
• 为了比较人工神经网络 (ANN),Extreme Gradient Boosting (XGBoost) 和支持矢量机的性能和可解释性,与传统的多项逻辑回归 (mLR) 相比.
• 为了利用瑞典中风登记处 (Riksstroke) 定期收集的数据进行预后建模.

主要方法:

• 一项使用瑞典中风注册表 (2015-2020) 中102,135名成年患者数据的预后研究.
• 预测因素包括人口统计,中风前状态,风险因素,药物,急性护理,中风类型和严重程度.
• 评估的模型:支持矢量机,ANN,XGBoost和mLR,使用SHAP值解释预测.

主要成果:

• 所有模型的整体准确度都相似 (69%-70%).
• 在预测功能依赖方面,ANN和XGBoost的表现明显优于mLR,由更高的F1分数 (分别为0.603和0.577,相对于mLR的0.544) 证明.
• 确定的预测因素在模型中一致,并与临床知识保持一致.

结论:

• 与mLR相比,ANN和XGBoost模型在预测中风结果方面提供了适度的改进,并提供了更好的解释性.
• 这些先进的机器学习方法,使用例行收集的数据,可以提高中风后功能依赖的预测.
• 提高预测准确度对于有效规划和组织急性中风护理和康复服务至关重要.