一个基于临床特征的机器学习模型,用于预测缺血性中风后的严重腹

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学

背景情况:

• 缺血症是缺血性中风后的一个常见并发症.
• 准确预测严重的消化障碍对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和评估机器学习模型,用于预测严重的缺食症后缺血性中风.
• 为了确定与严重的消化障碍相关的显著临床预测因素.

主要方法:

• 724名缺血性中风患者的回顾性分析.
• 开发和比较六种机器学习模型:KNN,DT,RF,SVM,LGBM和XGBoost.
• 使用ROC曲线,AUC,准确性,精度,回忆和F1分数来评估模型性能.

主要成果:

• 在训练,验证和测试套件中,XGBoost在预测严重的消化障碍方面表现优于其他模型.
• XGBoost实现了卓越的性能指标 (准确性,精度,回忆,F1分数).
• 通过XGBoost识别的关键预测因素包括NIHSS得分,BI,BMI,年龄和中风发作以来的时间.

结论:

• 基于临床特征,XGBoost模型提供了基于缺血性中风后严重失足症的最佳预测值.
• 临床因素,如NIHSS得分,BI,BMI,年龄和中风后的时间是重要的预测因素.