可解释的机器学习用于预测在重症监护中的出血和缺血性中风患者的神经结果

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 脑卒中是导致严重疾病和长期残疾的主要原因.
• 准确预测神经系统的结果对于有效的患者管理至关重要.
• 现有的预测方法可能无法完全捕捉中风恢复的复杂性.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测重症中风患者出院时的神经状态.
• 为了确定与出血性和缺血性中风的神经结果相关的显著风险因素.
• 为临床医生提供加强的决策工具,用于中风患者的护理.

主要方法:

• 使用eICU协作研究数据库 (eICU-CRD) 进行培训/测试和密集护理IV (MIMIC IV) 的医疗信息商店进行外部验证.
• 开发并比较了四种ML模型:梯度增强分类器 (GBC),物流回归 (LR),多层感知器 (MLP) 和随机森林 (RF).
• 应用沙普利增量解释 (SHAP) 用于模型预测的视觉解释和风险因素的识别.

主要成果:

• 后勤回归 (LR) 模型在测试队列中实现了出血性中风0.887的最高曲线下的面积 (AUC).
• 随机森林 (RF) 模型在缺血性中风中表现最好,测试队列中的AUC为0.867.
• SHAP分析确定了关键的风险因素,结果被整合到在线预测工具中.

结论:

• ML模型可靠地预测出血和缺血性中风的神经结果.
• 由SHAP衍生的风险因素为预测推理提供了更深入的见解,有助于治疗优化.
• 这些模型和见解可以显著改善中风患者的重症监护.