在急性缺血性中风中预测中风后认知障碍的基于机器学习的模型:一个横截面研究
Junqin Zhang1, Zhaohong Kong1, Songlin Hong2
1Department of Neurology, Renmin Hospital of Wuhan University, Wuhan, China.
Neurology India
|December 18, 2024
概括
机器学习可以准确地预测中风后认知障碍 (PSCI). 后勤回归将衰老和高血糖症确定为关键风险因素,有助于早期临床查,以获得更好的患者结果.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 早期识别中风后认知障碍 (PSCI) 对于有效的临床管理至关重要.
- 开发强大的预测模型对于及时干预和改善患者结果至关重要.
研究的目的:
- 为PSCI开发基于机器学习的预测模型.
- 确定与PSCI相关的重大风险因素,以加强临床决策.
主要方法:
- 利用96名急性缺血性中风患者的数据,通过迷你精神状态检查评估认知功能.
- 我们比较了三种机器学习算法:支持向量机,高斯素朴贝叶斯和逻辑回归.
- 使用AUROC评估模型性能,灵敏度,特异性,准确性和预测值.
主要成果:
- 后勤回归模型表现出卓越的性能,AUROC为0.86.
- 实现了高预测准确度,灵敏度为0.82,特异性为0.83,整体准确度为0.83.
- 确定了PSCI的9个关键预测因素,其中年龄和尿液葡萄糖水平显示出显著的关联 (P < 0.05).
结论:
- 机器学习,特别是物流回归,显示出预测PSCI的重大前景.
- 衰老和高血糖是PSCI的独立风险因素.
- 强调需要对中风患者进行仔细的认知查,特别是那些具有已识别的风险因素的患者.
