先进的机器学习模型用于预测急性缺血性中风患者的血栓溶解后出血转变:系统性审查和元分析
You-Li Jiang1, Qing-Shi Zhao1, Ao Li2
1Department of Neurology, People's Hospital of Longhua, Shenzhen, China.
概括
机器学习模型准确地预测急性缺血性中风 (AIS) 患者接受血栓治疗的出血转化 (HT) 风险. 像XGBoost和ANN这样的先进算法显示出高性能,改善了患者护理和风险分层.
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:
- 血栓溶解药物治疗对于急性缺血性中风 (AIS) 至关重要,但存在出血转化 (HT) 的风险.
- 准确预测HT对于优化患者管理和AIS的结果至关重要.
- 目前的预测方法需要改进,以有效地分层HT风险.
研究的目的:
- 系统地审查和评估机器学习 (ML) 和深度学习 (DL) 模型在预测AIS患者治疗血栓溶解的HT方面的表现.
- 通过ML/DL模型识别HT的关键预测因素.
- 评估这些人工智能驱动方法的整体预测准确性和临床实用性.
主要方法:
- 在主要数据库 (PubMed,科学网,Scopus,Embase,谷歌学者) 进行了全面的文献搜索,直到2024年7月10日.
- 包括的研究使用了ML / DL算法来预测血栓化AIS患者的HT,遵守PRISMA指南.
- 使用TRIPOD和PROBAST工具进行了数据提取和质量评估.
主要成果:
- 分析了12项涉及18007名AIS患者的研究,证明了ML模型的高预测性能 (AUC0.79-0.95).
- XGBoost (AUC高达0.953) 和人工神经网络 (ANN) (AUC高达0.942) 显示出卓越的预测能力.
- 关键预测因素包括年龄,葡萄糖水平,NIH中风量表 (NIHSS) 评分,血压和放射性特征.
结论:
- ML技术,特别是XGBoost和ANN,在AIS患者中预测血栓溶解后的HT方面显示出显著的希望.
- 这些模型可以增强风险分层,并为改善AIS管理提供临床决策信息.
- 未来的研究应该优先考虑前性研究,标准化报告和临床工作流集成.
