在使用可解释的机器学习的远程中等血管阻塞中数据驱动的预测

科学领域:

• 神经学 神经学
• 人工智能在医学中的应用
• 心血管研究研究心血管研究

背景情况:

• 远端中血管封闭 (DMVO) 占急性缺血性中风病例的很大一部分 (25% - 40%).
• 现有的预后模型对于DMVO特定的结果预测是不够的.
• 准确的预后对于患者咨询和指导研究工作至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于预测初级DMVO患者的90天不良结果.
• 确定DMVO中风患者结果的关键预测因素.
• 创建一个用于个性化预后预测的工具.

主要方法:

• 对164名患有初级DMVO的患者进行了回顾性分析.
• 使用TabPFN算法开发机器学习模型.
• 通过最小绝对收缩和选择操作员 (LASSO) 进行特征选择.
• 使用5重复5倍交叉验证的性能评估,评估歧视和校准.
• 使用夏普利添加式解释 (SHAP) 识别有影响力的特征.

主要成果:

• 该模型实现了0.815的接收器运行特征曲线 (AUC) 下的面积,表明了良好的区分.
• 一个0.19的布里尔得分证明了模型预测的良好校准.
• 关键预测因素包括入院NIHSS评分,先发病的mRS,血栓切除术类型,修改的TICI评分和恶性病史.
• 一个部署的Web应用程序有助于个性化预测.

结论:

• 开发的机器学习模型有效地预测了DMVO中风的90天不利结果,准确度很高.
• 这种预后工具支持个性化患者咨询和研究中风护理.
• 这些发现突出了人工智能在推进中风恢复精准医学方面的潜力.