深度学习生存模型预测了从初始CT扫描中脑内出血后的结果
Yutong Chen1,2,3, Cyprien A Rivier4,5, Samantha A Mora1,2,3
1Center for Genomic Medicine, Massachusetts General Hospital, Boston, MA, USA.
European stroke journal
|June 16, 2024
概括
这项研究开发了一个深度学习模型,使用CT扫描来预测脑内出血 (ICH) 后的长期功能障碍. 该模型在预测残疾和依赖方面表现出比现有得分更高的准确性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学预测 医学预测
背景情况:
- 在脑内出血 (ICH) 后预测功能障碍对于患者的护理和康复至关重要.
- 目前的预后工具在长期预测和临床实施方面存在局限性.
- 深度学习为更准确和更容易获得的预测提供了一个潜在的解决方案.
研究的目的:
- 开发和验证一种深度学习模型,用于预测ICH患者的长期功能障碍.
- 为了利用入院非对比CT扫描进行预后.
- 为了将模型的性能与已建立的临床分数进行比较.
主要方法:
- 利用882名ICH患者的CT扫描进行培训和146名外部验证.
- 在生存分析框架中使用深度学习模型.
- 在ICH后的6,12个月和24个月评估功能结果 (残疾,严重残疾,依赖生活).
- 使用c指数与ICH分数和FUNC分数进行模型性能比较.
主要成果:
- 深度学习模型在6个月,12个月和24个月实现了对残疾和依赖生活的更高预测准确度 (c指数范围:0.712-0.779).
- 超过了ICH评分 (c指数范围:0.647-0.697) 和FUNC评分 (c指数范围:0.668-0.727).
- 耶鲁-ICH队列的外部验证证实了类似的绩效指标.
结论:
- 开发了一个可概括的深度学习模型,以预测ICH后的依赖生活和残疾.
- 这个模型可以帮助治疗决策,患者咨询和优化康复策略.
- 该方法为预测ICH幸存者的长期护理需求提供了一个有希望的工具.
