基于机器学习的中风诊断模型,用于非神经学重症监护病房的急性神经学症状患者
Jae-Young Maeng1, JaeBin Sung1, Geun-Hyeong Kim1,2
1Artificial Intelligence Center, Chungbuk National University Hospital, Cheongju-si, 28644, Chungcheongbuk-do, Republic of Korea.
Scientific reports
|November 28, 2024
概括
我们开发了一种机器学习模型,用于在重症监护室 (ICU) 诊断患有非神经疾病的中风患者. 这种人工智能工具有助于早期发现中风,改善患者的治疗结果,减少住院时间.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 脑卒中是重症监护室 (ICU) 患者因非神经学原因入院的重要神经学并发症.
- 在ICU中推迟诊断中风导致死亡率增加和住院时间延长.
- 早期发现中风对于神经保护和有效治疗至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于诊断患有急性神经症状的非神经学ICU患者的中风.
- 利用电子健康记录在重症监护机构早期识别中风.
主要方法:
- 两家医院251名ICU患者的回顾性数据收集 (2020年7月至2023年3月).
- 使用了分类提升 (CatBoost) 算法与贝叶斯优化和k-fold交叉验证.
- 在模型与特征关系分析中使用了夏普利添加式解释 (SHAP).
主要成果:
- 内部验证:准确度为0.7560,灵敏度为0.8959,特异性为0.7000,AUROC为0.8201.
- 外部验证:准确度为0.7778,灵敏度为0.7500,特异性为0.7931,AUROC为0.7328.8的时间.
- 该模型在使用电子健康记录数据诊断中风方面表现出有效性.
结论:
- 开发的机器学习模型是有效的早期中风诊断在非神经性ICU患者.
- 这种工具可以帮助临床医生及时检测中风,从而有可能改善患者的预后.
- 电子健康记录为人工智能驱动的中风诊断在重症监护中提供了宝贵的数据来源.
