头盔:一种混合机器学习框架,用于实时预测大中脑动脉中 edem 轨迹中风中风

科学领域:

• 神经学 神经学
• 人工智能在医学中的应用
• 医疗信息学 医疗信息学

背景情况:

• 大型中脑动脉中风后的恶性脑 edem 通过压缩大脑结构造成二次损伤.
• 目前的瘤风险评估工具缺乏动态跟踪,在单一时间点估计风险,无法捕捉患者状况的变化.
• 精确的,实时评估胀进展对于优化干预措施至关重要,比如高积疗法或手术减压.

研究的目的:

• 开发和验证动态机器学习模型,以实时预测中线结构位移,恶性脑的关键指标.
• 创建一个系统,经常更新风险估计使用时间变化的患者数据,改进静态风险评估工具.
• 建立混合风险预测模型的框架,整合多式联运健康数据和人类专业知识.

主要方法:

• 开发了两个多类分类模型HELMET-8和HELMET-24,分别预测8小时和24小时窗口中的中线转移.
• 结合基于变压器的大型语言模型与监督集体学习,利用结构化的时间变化的患者记录,放射文本和神经特征.
• 在回顾性队列 (15,696名623名患者的观察) 上训练模型,并在单独的医院系统队列 (3,713名60名患者的观察) 上进行外部验证.

主要成果:

• 在预测中线转移严重性方面取得了很高的准确性,在导出队列中,交叉验证的ROC曲线下的平均面积为96.6%.
• 在外部验证队列中表现出强大的概括性和准确性,实现ROC曲线下的平均面积为92.5%.
• 模型提供每小时更新的估计,有效地整合多式联络数据,即使有有限的结构化电子健康记录信息.

结论:

• HELMET模型准确而动态地预测恶性脑的进展,特别是中线转移,在大型中脑动脉中风患者.
• 这种混合方法,将AI与临床数据合并,为实时风险评估和及时干预提供了有价值的工具,有可能减少二次脑损伤.
• 开发的框架支持创建先进的临床风险评分,通过整合各种数据源来实现复杂,动态的临床目标.