在高血压大脑内出血中预测早期血瘤扩张的Nomogram和机器学习模型的比较研究

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习在医学中的应用

背景情况:

• 在高血压脑内出血中早期发现血瘤扩张对于改善患者的治疗结果至关重要.
• 目前的预测方法各不相同,需要对临床适用性进行比较.

研究的目的:

• 为了比较各种预测模型的血液瘤扩张在高血压的脑内出血.
• 根据性能和有用性,确定一个适合临床推广的模型.

主要方法:

• 收集了203名患有高血压脑内出血的患者的非对比头部CT图像和临床数据.
• 提取了放射学特征,应用过量采样,并使用LASSO回归开发了一个名图和四个机器学习模型 (逻辑回归,随机森林,SVM,XGBoost).
• 评估了所有开发模型的歧视,校准和临床有用性.

主要成果:

• 诺米图表显示出良好的区分能力 (AUC 0.80培训,0.76验证).
• XGBoost模型实现了最高的AUC (0.89培训,0.85验证),表现优于名图.
• XGBoost模型显示出显著的临床实用性.

结论:

• 整合放射学分数和临床预测因素的诺米克图和机器学习模型都能预测早期的血瘤扩张.
• XGBoost模型为此应用提供了最高的预测性能和临床实用性.