使用机器学习在年轻患者中预测急性缺血性中风3个月后的功能不良结果

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 年轻人的急性缺血性中风 (AIS) 对预测短期功能结果提出了独特的挑战.
• 机器学习 (ML) 为医疗预测提供了先进的分析能力.
• 准确的结果预测对于指导年轻AIS患者的治疗干预至关重要.

研究的目的:

• 开发和评估基于ML的预测模型,用于年轻AIS患者的3个月功能表现不佳.
• 将各种ML模型的预测性能与传统的物流回归进行比较.

主要方法:

• 利用来自中国第三个国家中风注册表 (CNSR-III) 对18-50岁 (2015-2018) AIS患者的数据.
• 定义为修改的兰金尺度 (mRS) ≥3的功能性不良结果.在3个月.
• 开发并比较了四个ML模型 (XGBoost,lightGBM,RF,GBDT) 与后勤回归,评估歧视和校准.

主要成果:

• 包括2268名年轻的AIS患者;9%的人经历了不良的功能结果.
• 不良结果的独立预测因素包括入院时的mRS,独自生活,以及出院时的高NIHSS.
• XGBoost实现了最高的AUC (0.801),超过了其他ML模型和后勤回归 (P <0.05).

结论:

• 机器学习模型,特别是XGBoost,在预测年轻AIS患者的功能不良结果方面明显优于逻辑回归.
• 单身生活状态和高中风严重程度得分是改善中风预后的关键因素.
• 机器学习模型为提高年轻AIS幸存者的预后准确性提供了有价值的工具.