在创伤性脑损伤中预测外周血扩张:一种机器学习方法
Mohammad Hasanpour1, Danial Elyassirad2, Benyamin Gheiji2
1Department of Neurosurgery, Iran University of Medical Sciences, Iran.
The neuroradiology journal
|November 25, 2024
概括
机器学习模型可以预测脑外创伤 (TBI) 患者的外周血液瘤 (EDH) 扩张. 关键因素如年龄和最初的血瘤体积有助于识别高风险病例,以便及时进行干预.
科学领域:
- 神经外科 神经外科
- 放射学 放射学是一门学科.
- 医疗信息学 医疗信息学
背景情况:
- 创伤性脑损伤 (TBI) 是一个主要的全球健康问题.
- 外周血瘤 (EDH) 是一种严重的TBI并发症,具有显著的死亡率和残疾.
- 预测EDH扩张对于及时的临床管理至关重要.
研究的目的:
- 确定与TBI患者EDH体积变化相关的因素.
- 开发和评估用于预测EDH扩张的机器学习 (ML) 模型.
- 改善高风险TBI患者的早期识别.
主要方法:
- 对患有EDH的TBI患者的回顾性分析 (2019-2021年).
- 对初始和6小时随访卷进行分析的CT扫描数据.
- 后勤回归,随机森林,XGBoost和KNN模型使用AUROC进行了训练和验证.
主要成果:
- 显著的EDH扩张预测因素包括年龄,初始体积,旋转标志,气泡,伤痕,耳痛,脑下下出血和血瘤位置.
- 性能最好的模型是成人的随机森林 (AUROC 82.4%),儿科的KNN (AUROC 90%),以及所有病例的后勤回归 (AUROC 81.6%).
结论:
- 关键的临床和放射学特征可以预测TBI中的EDH扩张.
- 开发的ML模型在识别患有EDH扩张风险的患者方面表现出高灵敏度.
- 早期发现有助于加强监测和及时干预,可能改善患者的治疗结果.
