构建基于机器学习的预测模型,用于对缺血性中风患者不良出院结果的预测

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 缺血性中风带来了重大的医疗保健和经济挑战.
• 预测患者出院的结果对于有效的治疗和个性化护理至关重要.
• 准确的预测模型可以为中风患者的临床决策提供信息.

研究的目的:

• 建立和验证基于机器学习的预测模型,用于缺血性中风患者出院的结果.
• 为中风管理中的临床决策提供有价值的见解.
• 开发一个可解释的模型,解决
• 一个黑盒子.
• 机器学习的性质.

主要方法:

• 利用964名缺血性中风患者的数据进行模型培训和内部验证.
• 通过使用国家卫生研究院中风量表 (NIHSS) 评分来确定出院的有利结果.
• 开发了一个预测模型,使用88个初始特征中的8个关键特征和9个机器学习算法,包括随机森林.
• 采用沙普利增量解释 (SHAP) 来解释模型的解释性.

主要成果:

• 随机森林模型在测试的算法中表现出优越的区分能力.
• 创建了一个可解释的随机森林模型,缩小到八个基本特征.
• 最终的模型在内部验证中显示出高预测性能,曲线下的面积 (AUC) 为0.903.
• 该模型已转化为临床使用的实用工具.

结论:

• 一个可解释的机器学习模型已成功开发,用于预测缺血性中风出院结果.
• 该模型准确地预测了结果,同时减轻了风险.
• 一个黑盒子.
• 通过可解释性来解决问题.
• 该工具为管理缺血性中风患者的临床决策提供了宝贵的支持.