使用神经网络模型预测脑静脉血栓症的长期不良临床结果:BEAST研究

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:

• 后勤回归 (LR) 常用于风险预测,但与偏斜的数据集扎.
• 大脑静脉血栓症 (CVT) 中复杂的数据集对传统的LR模型构成挑战.
• 神经网络 (NN) 为改善复杂医疗数据中的风险预测提供了潜在的替代方案.

研究的目的:

• 为了确定CVT的成年患者中不良结果的独立预测因素.
• 为了比较NNs与LR的预测性表现,用于CVT结果.
• 评估NN在改善CVT患者临床决策方面的有用性.

主要方法:

• 从前性BEAST研究中对1309名成年CVT患者的评估.
• 在风险预测模型开发中使用NNs和逐步LR.
• 使用接收器操作特征 (AUROC) 曲线下的面积来评估模型的适用性.

主要成果:

• LR确定了血栓溶解,切除术和脑出血作为预测因素 (AUROC 0.71).
• 作为主要预测因素,NN确定了脑出血 (NI 100%) 和血栓溶解 (NI 98%),NN的准确率达到95.1% (AUROC 0.82).
• 与LR相比,NN表现优越,具有较高的积极 (18.8%与13.2%) 和负 (98.7%与97.1%) 预测值.

结论:

• 大脑出血和血栓溶解是成年人CVT中长期不良结果的重要独立预测因素.
• 根据NNs的说法,年龄和精神状态的改变对长期结果的影响最小.
• 将NN集成到风险预测模型中可以显著改善CVT患者的决策,而不是传统的LR.