基于机器学习的急性脑内出血后医院死亡率的预测,使用现实世界的临床和图像数据
Koutarou Matsumoto1,2, Kazuaki Ishihara3, Katsuhiko Matsuda4
1Department of Health Care Administration and Management, Graduate School of Medical Sciences Kyushu University Fukuoka Japan.
Journal of the American Heart Association
|December 10, 2024
概括
机器学习 (ML) 模型有效预测急性脑内出血 (ICH) 患者的早期死亡率. 整合专家专业知识显著提高了这些ML模型的预测性能,从而改善了患者的治疗结果.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 越来越多地用于跨领域的准确预测.
- 急性脑内出血 (ICH) 具有显著的死亡风险.
- 评估ML用于预测ICH患者的早期死亡率至关重要.
研究的目的:
- 评估ML在预测ICH患者住院死亡风险方面的有效性.
- 将ML模型的性能与传统的风险评分进行比较.
- 确定专家输入对ML模型准确性的影响.
主要方法:
- 使用脑CT成像和527名ICH患者的临床数据开发了ML模型.
- 使用AUC,校准图表和决策曲线分析评估模型性能.
- 将ML模型与ICH分数和ICH分级尺度进行比较.
主要成果:
- ML模型显示了良好的校准和差异化的生存率.
- 使用临床和专家评估的图像数据的ML模型实现了最高的AUC (0.97).
- 使用原始成像或非专业临床数据的ML模型也表现出令人满意的性能.
结论:
- 基于ML的模型是有效的预测ICH死亡率使用成像或临床数据.
- 专家的专业知识显著提高了IMH的ML模型的预测准确度.
- ML为ICH中早期死亡风险评估提供了一个有前途的工具.
