基于机器学习的模型对中风后临床结果的预测性能与传统的预后得分相比:多中心,医院的观察性研究

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:

• 机器学习 (ML) 对预后有希望,但其在预测中风后结果方面的有效性需要进行调查.
• 评估ML的预测性能与传统中风预后得分相比是至关重要的.

研究的目的:

• 为了比较ML模型的预测性能与传统中风预后得分,以预测中风后的结果.
• 为了识别ML模型与传统得分所使用的解释变量之间的差异.

主要方法:

• 利用了来自日本多中心潜在中风注册中心 (2007-2017年) 10,513名患者的数据.
• 开发了ML模型 (规范化,随机森林,增强树木),并与ASTRAL,PLAN和iScore回归模型进行了比较.
• 通过内部验证使用歧视 (AUC,AUPRC) 和校准 (Brier分数) 评估模型性能.

主要成果:

• 与传统的基于分数的模型相比,基于机器学习的模型显示出更高的预测性能 (AUC,AUPRC,Brier分数).
• ML模型包含了不同的解释变量,包括实验室数据,这改善了结果预测,特别是对于死亡率.
• 在ML模型中观察到预测中风后结果的显著改善.

结论:

• 与传统的基于分数的回归模型相比,ML模型可以更好地预测中风后的结果.
• 纳入额外的变量,如实验室数据,是实现ML模型性能改进的关键.
• 需要进一步的研究来验证ML在中风预后中的临床实用性.