使用基于云的机器学习来预测脑内出血的结果,而无需明确的编程专业知识

科学领域:

• * 计算神经科学和临床信息学.
• *人工智能在中风预测结果中的应用.

背景情况:

• *开发机器学习 (ML) 模型通常需要先进的编程技能和临床专业知识.
• *对脑内出血 (ICH) 的预后建模对于患者管理和结果预测至关重要.

研究的目的:

• * 展示基于云的ML工具,用于开发,验证和部署ICH预测模型,而不需要编码.
• * 将ML模型的性能与用于ICH结果预测的后勤回归进行比较.

主要方法:

• *使用了1000名脑内出血患者 (2015-2019) 的医院中风注册数据集.
• *分别使用80%和10%的数据进行训练和测试的模型,其中有17个输入变量预测修改的兰金尺度 (mRS) 结果.
• *使用曲线下的面积 (AUC) 来评估接收器操作特征 (ROC),精度回忆和精度的模型.

主要成果:

• *ML模型实现了0.86和75.7%的AUC ROC准确度,超过了后勤回归 (AUC ROC 0.74,准确度为73.8%).
• * 格拉斯哥昏迷评分 (GCS),血瘤体积和年龄是这两种模型的关键预测因素.
• *基于云的工具使得没有编程经验的临床医生能够开发模型.

结论:

• *与物流回归相比,机器学习模型在预测ICH结果方面表现优越.
• *可访问的基于云的ML工具使临床医生能够创建和部署预后模型,从而有可能增强临床工作流程.
• * 这种方法使医疗保健环境中的ML模型开发变得民主化.