构建基于非对比CT放射学的机器学习模型,以预测冲击后的出血转变:一项两中心研究

科学领域:

• 人工智能在医学中的应用
• 放射学和医学成像学 医学成像学
• 神经学和中风研究 神经学和中风研究

背景情况:

• 血液转化 (HT) 是急性缺血性中风 (AIS) 患者的重要并发症.
• 准确预测HT对于指导治疗决策和改善患者结果至关重要.
• 现有的风险分层方法可能无法完全捕捉HT发展的复杂性.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测AIS患者的HT风险.
• 评估结合临床信息与非对比计算断层扫描 (NCCT) 放射学特征用于HT预测的实用性.
• 为了比较临床,放射学和联合临床放射学模型在识别高风险的HT患者的性能.

主要方法:

• 分析了180名AIS患者的回顾性队列.
• 提取了临床数据,实验室信息和NCCT衍生的放射特征.
• 构建了五个ML模型,物流回归被确定为开发临床,放射学和临床放射学预测模型的最佳算法.

主要成果:

• 综合临床放射学模型在预测HT方面表现优异,AUC值为0.876 (训练) 和0.957 (验证).
• 患有HT的患者表现出较高的中性粒细胞与淋巴细胞比率,NIHSS得分,心脏病发作量和Rad-score,以及较低的ASPECTS.
• 临床放射学模型可靠地预测了两个类别的对瘤出血 (PH) 和出血性心脏病发作 (HI) 的细分类别,准确度很高.

结论:

• 结合临床和NCCT放射学数据的ML模型为AIS患者早期HT风险分层提供了强大的工具.
• 这些模型具有显著的潜力,可以提高AIS治疗选择和预后评估的精度.
• 这些发现支持先进的成像和数据分析对个性化中风护理的临床实用性.