在中风后的下肢深静脉血栓形成的基于机器学习的预测模型
Lingling Liu1, Liping Li1, Juan Zhou2
1Department of Rehabilitation Medicine, The First Affiliated Hospital of Nanjing Medical University, No.300, Guangzhou Road, Nanjing, 210029, China.
Journal of thrombosis and thrombolysis
|July 27, 2024
概括
机器学习可以准确地预测中风患者的深静脉血栓 (DVT). 随机森林模型,使用诸如D-二分体和年龄等因素,显示了临床指导的高性能.
科学领域:
- 医疗信息学 医疗信息学
- 神经学 神经学
- 血栓形成研究研究
背景情况:
- 脑卒中后的下肢深静脉血栓 (DVT) 是一个重要的并发症.
- 准确的风险预测模型对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测中风后的下肢DVT.
- 用ML技术识别中风患者DVT的关键预测因素.
- 为了比较不同ML算法的性能,并为临床应用选择最佳模型.
主要方法:
- 对620名中风患者的回顾性分析.
- 开发和评估八个ML模型:逻辑回归,SVM,随机森林,决策树,神经网络,XGBoost,贝叶斯模型和KNN.
- 使用ROC曲线,AUC,PR曲线,PRAUC,精度,灵敏度,特异性和临床决策曲线 (DCA) 的性能评估.
- 使用沙普利的添加式解释 (SHAP) 的特征重要性分析.
主要成果:
- 随机森林 (RF) 算法表现出高AUC (0.74/0.73) 和精度 (0.75/0.77) 的优异性能.
- SHAP分析确定了D-二次体,年龄,布伦斯特罗姆阶段 (下肢),前血时间 (PT) 和移动能力作为显著的DVT预测因素.
- 根据DCA分析,RF模型实现了最高的临床净益.
结论:
- 机器学习,特别是射频算法,为预测中风后下肢DVT提供了强大的方法.
- 关键的临床和实验室指标可以有效地被ML模型用于指导DVT预防策略.
- 开发的RF模型显示了在中风患者管理中增强临床决策的潜力.
