开发一种新的统计模型,用于预测脑卒中患者的临床结果,在内血管治疗后出现并列闭塞

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 双重闭塞包括内大血管闭塞 (LVOs) 和外内动脉闭塞.
• 这些复杂的闭塞会导致更严重的中风症状和具有挑战性的治疗方案.

研究的目的:

• 开发和验证一种新的,简单的工具,使用机器学习来预测LVO急性中风患者的临床结果.
• 该工具旨在区分死亡率和存活率,以及良好的与不利的神经结果 (修改的兰金级评分≤2对≥3).
• 预测模型基于易于获取的临床和血管学数据.

主要方法:

• 追溯分析87名连续患有前部循环中风和合性闭塞的患者,这些患者接受了机械血栓切除和支架治疗.
• 根据LVO位置对患者进行了分层,并使用临床和血管学数据构建了预测模型.
• 模型被严格交叉验证了1000次,以通过准确性和接收器操作曲线 (AUROC) 下的面积来评估预测能力.

主要成果:

• 一个预测好与坏结果的模型 (mRS ≤ 2 vs ≥ 3) 包括年龄,NIHSS,ASPECTS,24小时NIHSS,排放NIHSS和内出血,达到83%的准确率和0.91 AUROC.
• 一个用于死亡率预测的模型包括年龄,初始NIHSS,静脉血栓溶解,24小时NIHSS和放电NIHSS,获得91%的准确性和0.94 AUROC.

结论:

• 开发的机器学习模型显示出强大的预测性能,无论是生存/死亡率和功能结果在并联阻塞中风.
• 这些经过验证的工具可以帮助临床医生优化复杂的双重闭塞病例的管理策略.
• 这些模型有助于更好地识别患有较差结果风险的患者,改善患者选择急性缺血性中风治疗.