建立和验证风险分层模型的中风风险在三年内在患有脑小血管疾病的患者使用联合MRI和机器学习算法
1Department of Radiology, Cardio-Cerebrovascular Disease Hospital, Affiliated Hospital of Yan' an University, Yan' an City, Shaanxi Province 716000, China.
SLAS technology
|August 18, 2024
概括
这项研究开发了脑小血管疾病 (CSVD) 患者中风风险模型. 结合MRI数据和机器学习,可以在三年内准确预测中风风险.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 大脑小血管疾病 (CSVD) 是中风的主要原因,特别是在老年人中,导致高发病率和死亡率.
- 早期识别高风险的CSVD患者对于有效的中风预防和治疗策略至关重要.
研究的目的:
- 开发和验证风险分层模型,以预测CSVD患者在三年内发生中风.
- 将磁共振成像 (MRI) 参数与机器学习算法集成,以提高中风风险预测.
主要方法:
- 利用人口统计,临床,生化和MRI衍生的数据进行患者评估.
- 采用相关性分析,物流回归,ROC曲线分析,以及用于预测建模的神经网络算法 (nnet).
- 评估了个人MRI参数和组合机器学习模型的预测性能.
主要成果:
- 核磁共振成像参数 (WMH体积, perfusion deficit,缺血核心,微型血液,周血管空间) 与中风风险有很强的相关性 (P < 0.001).
- 核磁共振成像参数显示高灵敏度 (0.719-0.906),特异性 (0.704-0.877) 和AUC (0.815-0.871) 的情况.
- 组合模型的AUC为0.925,在预测CSVD患者3年中风风险方面具有很高的准确性.
结论:
- 结合机器学习和MRI参数的综合风险分层模型显示,CSVD患者3年中风风险的预测能力显著.
- 该模型为CSVD管理中的个性化干预和临床决策提供了有价值的见解.
