机器学习模型用于预测创伤性脑损伤中早期出血进展
Heui Seung Lee1,2, Ji Hee Kim1, Jiye Son3,4
1Department of Neurosurgery, College of Medicine, Hallym Sacred Heart Hospital, Hallym University, Anyang-si, Korea.
Scientific reports
|May 22, 2024
概括
在创伤性脑损伤 (TBI) 中预测脑内出血 (ICH) 的进展至关重要. 机器学习模型准确地确定了小出血和逆转伤害作为关键预测因素,改善了患者管理.
科学领域:
- 神经科学是一个神经科学.
- 放射学 放射学是一门学科.
- 医疗信息学 医疗信息学
背景情况:
- 创伤性脑损伤 (TBI) 可以导致脑内出血 (ICH),这种情况需要仔细监测.
- 预测ICH在轻度至中度TBI的进展对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证使用初始CT扫描对TBI患者ICH进展的预测模型.
- 确定与轻度至中度TBI中ICH进展相关的临床和放射性因素.
主要方法:
- 对650名TBI患者 (2010年1月至2021年12月) 的回顾性分析,包括初始CT扫描和临床数据.
- 使用Random Forest和XGBoost机器学习算法,结合变量重要性和风险评估的SHAP值.
- 将ICH分类为腹膜内出血 (IPH),腹膜内出血 (PH) 和脑下出血 (SAH).
主要成果:
- 在研究队列中观察到ICH的进展率为22.2%.
- 卵巢出血 (PH) 和对冲伤害被确定为随机森林的ICH进展的显著预测因素.
- XGBoost模型实现了0.9的AUC,个性化风险评估图实现了0.913.3的AUC.
结论:
- 机器学习模型,特别是XGBoost与SHAP分析,在预测TBI患者的ICH进展方面表现出高精度.
- 通过先进的建模,早期识别ICH进展风险,可以显著提高TBI患者的管理.
- 在评估ICH进展风险时需要考虑的关键因素是小体出血和反冲击损伤.
