一年内急性缺血性中风患者的二次性的预测模型
Jinxin Liu1, Haoyue He1,2, Yanglingxi Wang1
1Department of Neurosurgery, Chongqing Emergency Medical Center, Chongqing University Central Hospital, School of Medicine, Chongqing University, Chongqing, China.
eLife
|November 14, 2024
概括
一个可解释的机器学习模型准确地预测了缺血性中风患者中中风后 (PSE) 风险. 关键预测指标包括NIH中风量表得分,白细胞计数和D-二次体水平,使患者的治疗结果更好.
科学领域:
- 神经学 神经学
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 脑卒中后 (PSE) 是缺血性脑卒中的一个重要并发症.
- PSE对患者的预后和生活质量产生负面影响.
研究的目的:
- 开发一个可解释的机器学习模型来预测PSE风险.
- 确定导致缺血性中风患者PSE发展的关键临床因素.
主要方法:
- 分析了21,459名缺血性中风患者的医疗记录.
- 机器学习算法的应用,包括随机森林,XGBoost和LightGBM.
- 使用SHAP进行模型解释性和特征重要性评估.
主要成果:
- 像水头和脑这样的并发症,以及特定的大脑区域,是显著的PSE预测因素.
- 年龄,性别,NIH中风量表 (NIHSS) 评分,白细胞计数和D-二次数水平与增加PSE风险有关.
- 基于树的模型实现了0.99的AUC,证明了强大的预测性能.
结论:
- 开发的机器学习模型准确地预测了PSE风险.
- 基于树的模型为PSE预测提供了卓越的性能.
- NIHSS得分,白细胞计数和D-二次体是PSE的关键预测因素.


