基于机器学习的预测,自发性脑下下垂体出血后的慢性休ント依赖性脑水性
Maria Gollwitzer1, Markus Steindl2, Nico Stroh1
1Department of Neurosurgery, Kepler University Hospital, Johannes Kepler University Linz, Linz, Austria; Johannes Kepler University Linz, Linz, Austria.
机器学习模型可以预测在下大脑下出血 (SAH) 后的慢性分离依赖头. 这有助于及时进行干预,以获得更好的患者结果.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 慢性水脑是下大脑下出血 (SAH) 后的一个常见并发症.
- 早期识别风险较高的静脉依赖性头症患者对于改善临床结果至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测SAH后的慢性分离依赖头.
- 确定水头发育的关键临床和放射学预测因素.
主要方法:
- 分析了510名SAH患者在2013-2018年间的数据.
- 接受监督的ML模型 (Python,scikit-learn) 接受训练,以预测取决于变速器的头症.
- 使用交叉验证进行严格的绩效评估;数据集和代码在GitHub上共享.
主要成果:
- 后勤回归显示出优越的预测性能 (AUC 0.819,AUCPR 0.482,F1 0.473).
- 模型平衡精度在0.735到0.764.4之间.
- 女性性别和前沟通动脉动脉瘤缺失与较低的分流需求有关.
结论:
- 机器学习模型,特别是后勤回归模型,显示出在SAH后预测早期慢性分离依赖头症的巨大潜力.
- 这些模型可以支持及时的分流布置决策.
- 一个交互式Web应用程序促进了这些预测模型的临床使用.
更多相关视频
09:00The Rabbit Blood-shunt Model for the Study of Acute and Late Sequelae of Subarachnoid Hemorrhage: Technical Aspects
Published on: October 2, 2014
09:14Pre-Chiasmatic, Single Injection of Autologous Blood to Induce Experimental Subarachnoid Hemorrhage in a Rat Model
Published on: June 18, 2021
相关概念视频
Ischemic Stroke ll: Pathophysiology
Hemorrhagic Stroke l: Introduction
Hemorrhagic Stroke ll: Pathophysiology
Increased Intracranial Pressure ll: Pathophysiology
Cerebral Edema l: Introduction
Cerebral Edema ll: Pathophysiology
