机器学习可以预测脑内出血后的晚发作吗? 来自现实世界的数据证据

科学领域:

• 神经学 神经学
• 数据科学数据科学数据科学
• 医疗信息学 医疗信息学

背景情况:

• 脑内出血 (ICH) 是中风的主要原因,随后的风险很高.
• 目前用于预测中风后发作的方法不可靠,阻碍了及时治疗和研究.
• 人工智能和现实世界的数据为准确的预测模型提供了新的潜力.

研究的目的:

• 评估机器学习 (ML) 模型用于预测中风后的发作.
• 在ICH1年和5年后评估预测准确性.
• 利用电子健康记录 (EHR) 来改善风险预测.

主要方法:

• 利用TriNetX钻石网络识别了85,679名ICH (ICD-10 I61) 患者,没有先前的发作诊断.
• 应用后勤回归和光梯度增强机 (LGBM) 算法.
• 使用AUROC,AUPRC,F1得分,准确性和回忆,使用和不使用药物数据评估模型性能.

主要成果:

• 发作发生在4.57%的患者1年内和6.27%在ICH后5年内发作.
• 在1年后,LGBM模型实现了AUROC的0.7051和AUPRC的0.1143.
• 在5年后,该模型显示AUROC为0.694和AUPRC为0.1431,表明数据合适.

结论:

• 机器学习模型有效地使用EHR数据预测出血后中风.
• 这些模型为中风后护理中的临床决策提供了重大进展.
• 改进的预测可以提高患者选择研究和资源配置.