机器学习用于在中风后早期动态预测功能结果
Julian Klug1, Guillaume Leclerc2, Elisabeth Dirren1
1Stroke Research Group, Department of Clinical Neurosciences, University Hospital and Faculty of Medicine, Geneva, Switzerland.
Communications medicine
|November 13, 2024
概括
这项研究引入了一种新的机器学习模型,用于每小时预测中风结果,在72小时内整合各种患者数据. 该模型准确预测死亡率和发病率,优于静态方法.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 准确预测中风的结果对于有效的治疗计划和资源管理至关重要.
- 在中风后的最初几天,患者病情的动态变化使预测结果变得复杂.
- 现有的预测方法往往缺乏细粒度,以适应快速的生理变化.
研究的目的:
- 开发和验证一种机器学习模型,用于每小时预测缺血性中风后的死亡率和发病率.
- 在入院72小时内整合连续的临床,生理,成像和生物数据.
- 通过可解释的AI方法识别影响中风结果的关键预测因素.
主要方法:
- 基于变压器的机器学习模型是使用2,492例缺血性中风病例 (2,131,752个数据点) 开发的.
- 该模型包含了在入院72小时内记录的连续数据流 (临床,生理,成像,生物).
- 用Shapley增量解释 (SHAP) 进行特征重要性分析;使用MIMIC-III数据库进行外部验证.
主要成果:
- 变压器模型实现了接受器运行特征曲线 (AUC) 下的面积为0.830,用于预测3个月死亡率,在72小时内改善到0.893.
- 该模型在独立队列上验证时,与所有静态模型相比,其表现优越.
- 关键预测因素包括持续的临床评估,患者人口统计,急性治疗的时间,以及炎症和器官功能障碍的标志物.
结论:
- 整合纵向临床,生理,成像和生物数据的机器学习模型显示了改善中风结果预测的巨大潜力.
- 开发的变压器模型提供每小时更新的预测和解释,提高其临床适用性.
- 这种方法为管理中风患者提供了一个动态和可解释的工具.
