使用机器学习在零星脑洞性形中识别潜在的 (再) 出血
Xiaopeng Li1, Peng Jones2, Mei Zhao3
1Department of Neurology, The First Affiliated Hospital of Henan University, Kaifeng, China.
Scientific reports
|May 14, 2024
概括
机器学习模型可以准确地预测偶尔性脑洞性形 (CCM) 患者的潜在再出血. 在XGBoost模型显示高性能,帮助临床决策CCM管理.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 偶发性大脑洞腔形 (CCM) 构成大量出血的风险.
- 预测CCM患者的出血风险对于有效管理至关重要,但仍然具有挑战性.
研究的目的:
- 开发和评估机器学习模型,用于预测偶发性CCM患者的潜在出血.
- 确定有助于预测出血风险的关键特征.
主要方法:
- 使用了517名零星CCM患者的数据集,并提供了5年的随访数据.
- 构建并比较了支持向量机 (SVM),堆叠泛化和极端梯度增强 (XGBoost) 模型.
- 通过使用接收器操作特征曲线 (AUROC) 下面的面积和精度召回曲线 (PR-AUC) 下面的面积来评估模型性能.
主要成果:
- XGBoost 模型表现出卓越的性能,在交叉验证过程中实现了平均 AUROC 0.87.
- 在测试组中,全元素XGBoost模型实现了0.84的AUROC和0.49的PR-AUC.
- 一个使用顶级SHAP识别特征的4元素XGBoost模型,实现了0.83的AUROC和0.40的PR-AUC.
结论:
- 机器学习模型,特别是XGBoost,可以在5年内准确识别出血风险的零星CCM患者.
- 这些预测模型为CCM患者管理中的临床决策提供了宝贵的见解.
- 该研究强调了数据驱动方法在神经疾病管理中的潜力.
