一个新的机器学习模型可以预测心脏性脑梗塞的预后
Xue-Zhi Yang1, Wei-Wei Quan2, Jun-Lei Zhou3
1Department of Neurology and Clinical Research Center of Neurological Disease, the Second Affiliated Hospital of Soochow University, Suzhou, 215004, China; Neurology Department, the First Affiliated Hospital of Wenzhou Medical University, Wenzhou, 325000, China.
Computers in biology and medicine
|June 8, 2024
概括
这项研究引入了一种新的机器学习模型,BITSAMFO-FKNN,用于预测心脏性脑梗塞 (CCI) 患者的结果. 该模型实现了高精度,识别了复发和死亡的关键风险因素.
科学领域:
- 心脏病学和神经病学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 心脏性脑梗塞 (CCI) 是由影响大脑血液供应的心脏病引起的,导致神经系统缺陷.
- 预测CCI中的病原性因素和患者结果对于有效管理至关重要.
- 现有的分析方法需要改进,以提高CCI的预测准确性.
研究的目的:
- 开发和验证一种新的机器学习模型,用于预测致病因素和心脏性脑梗塞的预后.
- 确定CCI患者退院后复发和死亡的独立风险因素.
- 提高医疗数据分析优化算法的能力.
主要方法:
- 一组494名首次住院的CCI患者在出院后的一年内被研究.
- 用后勤回归和新的机器学习模型BITSAMFO-FKNN分析了临床,实验室和成像数据.
- BITSAMFO-FKNN模型将增强的飞火焰优化 (FTSAMFO) 与模糊的K-最近邻居 (FKNN) 集成,利用空间转换策略.
主要成果:
- BITSAMFO-FKNN模型表现出高预测性能,准确率为96.61%,灵敏度为0.8947,MCC为0.9231和F-Measure为0.9444.
- 单变量和多变量分析确定了出血转换和较低的LVDD/LVSD作为CCI复发和死亡的独立风险因素.
- 在基准测试中,FTSAMFO的表现优于五种经典和五种近期的优化算法.
结论:
- BITSAMFO-FKNN模型为预测心脏性脑梗塞预后提供了一个有前途的工具.
- 血液转换和特定的左心室尺寸是CCI患者不良结果的关键指标.
- 需要对BITSAMFO-FKNN方法进行进一步的临床验证,以便将其纳入临床实践.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
10:25Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
Published on: September 25, 2019
48.0K