机器学习是一种有效的方法,可以预测急性缺血性中风患者的3个月预后
Qing Huang1, Guang-Li Shou2, Bo Shi3
1School of Public Health, Bengbu Medical University, Bengbu, Anhui, China.
Frontiers in neurology
|June 28, 2024
概括
机器学习准确地预测了急性缺血性中风 (AIS) 幸存者的早期结果. 使用初始临床数据的随机森林模型在预测患者的预后和残疾方面显示出高准确度.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 超过50%的急性缺血性中风 (AIS) 幸存者经历了持久的残疾.
- AIS复发率显著,突出了预测结果的必要性.
- 预测AIS结果有助于做出关键的治疗决策.
研究的目的:
- 评估机器学习对预测AIS患者早期结果的有效性.
- 在AIS中确定预测预后的关键预测因素.
- 为了比较各种机器学习模型的性能,用于AIS结果预测.
主要方法:
- 收集了来自659名AIS患者的人口统计,临床 (NIHSS,TOAST) 和实验室数据.
- 利用修改后的兰金级 (mRS) 来评估3个月的预后.
- 开发和比较了9个机器学习模型,使用18个选定的参数.
主要成果:
- 确定了关键预测因素:白细胞 (WBC) 计数,同类氨酸 (HCY),D-Dimer,基线NIHSS,纤维素降解产物 (FDP) 和葡萄糖 (GLU).
- 随机森林 (RF) 模型表现出卓越的性能.
- 射频模型的AUC值为0.852,准确度为0.818,灵敏度为0.654,特异性为0.945,回忆率为0.900.
结论:
- 随机森林模型有效预测AIS患者的早期预后.
- 在入院后24小时内获得的一般临床和实验室数据足以准确预测.
- 这种方法支持改善AIS的管理和处理策略.
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
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.4K
