使用机器学习预测中风后的独立行走:一项回顾性研究

科学领域:

• 康复医学 康复医学 康复医学
• 医疗保健中的人工智能
• 临床预测建模临床预测建模

背景情况:

• 预测中风后的行走独立性对于患者的结果和资源分配至关重要.
• 目前的预测方法需要改进,以提高准确性和临床效用.

研究的目的:

• 为了比较后勤回归 (LR) 和机器学习 (ML) 模型的预测性能,包括极端梯度提升 (XGBoost),支持矢量机器 (SVM) 和随机森林 (RF).
• 确定中风幸存者独立行走的关键预后因素.

主要方法:

• 在2020年2月至2023年1月期间入院的778名中风患者的回顾性分析.
• 模型培训和验证分别使用80%和20%的数据.
• 基于曲线下的面积 (AUC),准确度,灵敏度,特异性,正预测值 (PPV),负预测值 (NPV) 和F1得分的性能评估.

主要成果:

• 与SVM和RF相比,XGBoost表现出优异的预测性能,AUC明显更高.
• XGBoost比LR获得了更高的准确性,灵敏度,PPV和F1得分,具有可比的AUC.
• 确定的主要预测因素包括年龄,入院时的Fugl-Meyer下肢评估 (FMA-LE),入院时的功能行走类别 (FAC) 和下肢性.

结论:

• XGBoost模型是预测中风患者在医院出院时独立行走的最有效工具.
• 年龄,FMA-LE,FAC和下肢是影响中风后走路预后的关键因素.