机器学习模型用于预测大前血管封闭的血栓切除术的结果
Omid Shirvani1,2, Stefanie Warnat-Herresthal2,3, Ivan Savchuk2
1Department of Vascular Neurology, University Hospital Bonn, Bonn, Germany.
Annals of clinical and translational neurology
|August 24, 2024
概括
深度神经网络模型准确地预测了长期中风恢复,仅使用从中风后第一天起的七个关键临床和放射学特征. 这为评估中风患者的功能独立性提供了一个实用的工具.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 预测中风后的长期功能结果是复杂的,即使是经验丰富的神经病学家也面临挑战.
- 准确的预测对于患者管理和资源分配至关重要.
研究的目的:
- 评估多个机器学习模型来预测中风后的长期功能独立性.
- 确定关键的临床和放射学参数,以可靠地预测结果.
- 开发一种实用的模型,以高预测准确度平衡最小的输入数据.
主要方法:
- 利用来自德国中风登记处的数据,用于接受内血管治疗的大前血管封闭的患者.
- 训练了七个机器学习模型,使用从入院后的第1天起的30个参数,在90天内预测修改的排名表.
- 采用20倍交叉验证和逆向特征选择来识别关键预测因素.
主要成果:
- 一个深度神经网络 (DNN) 模型实现了最佳性能.
- 确定的七个最重要的特征是:NIHSS在24小时,年龄,mRS在24小时,先发病的mRS,24小时内内出血,静脉血栓溶解和入院时的NIHSS.
- 仅使用这些七个特征的DNN模型保持了高性能 (AUC 0.9).
结论:
- 在7000多名患者中训练的DNN模型准确地预测了90天的功能独立性.
- 该模型仅使用从中风后第一天起的七个基本的临床/放射学特征.
- 这种方法为中风单位的临床实施提供了高精度和实用性.
