一个动态风险评分的纵向模型,用于预测在下大脑关节出血后延迟脑缺血
Jan F Willms1, Corinne Inauen2, Stefan Yu Bögli2
1Neurocritical Care Unit, Department of Neurosurgery and Institute of Intensive Care Medicine, Clinical Neuroscience Center, University Hospital Zurich and University of Zurich, 8091 Zurich, Switzerland.
Bioengineering (Basel, Switzerland)
|October 25, 2024
概括
一个新的机器学习模型预测在下大脑关节出血 (SAH) 后延迟大脑缺血 (DCI). 该模型结合了静态和动态数据,显示了临床风险评估至关重要的时间依赖性性能.
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:
- 在下大脑下出血 (SAH) 后,准确预测延迟脑缺血症 (DCI) 对及时干预和改善患者结果至关重要.
- 现有的预测模型往往缺乏纵向准确性,需要开发动态评估工具.
研究的目的:
- 开发和评估一个改进的纵向预测模型,用于在SAH后的第4天和第14天之间的DCI发生.
- 评估静态,动态和组合机器学习模型在预测DCI方面的性能.
主要方法:
- 训练有素的静态 (人口统计,SAH分数) 和动态 (实验室,血液气体数据) DCI分类模型.
- 开发了一种使用投票方法的组合模型,通过交叉验证评估多个分类器.
- 评估了使用离开一次模拟和时间依赖的接收器操作特征 (ROC) 分析的纵向性能.
主要成果:
- 组合模型实现了0.73 ± 0.05的ROC AUC,用于DCI发病预测.
- 动态和投票模型表明,随着时间的推移,患者内风险得分有显著的变化.
- 动态模型在5.4日之前表现最好,之后投票模型表现更好.
结论:
- 开发了一种包含静态和动态子模型的新型机器学习模型,用于纵向DCI风险评估.
- 模型性能表现出大量的时间依赖,突出了在重症监护机构进行纵向评估的必要性.
- 临床医生必须在风险评估过程中考虑这些性能变化,并适当权重模型输出.
