一个基于机器学习的预测模型,用于预测与lenticulostriate动脉瘤疾病相关的心脏病发作早期的神经系统恶化

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 机器学习在医学中的应用

背景情况:

• 影响状动脉 (LSA) 区域的分支动脉瘤病 (BAD) 构成早期神经病变 (END) 的风险.
• 在这个特定的血管区域预测END对于及时干预和改善患者预后至关重要.

研究的目的:

• 开发和验证一种基于机器学习的预测模型,用于早期神经恶化 (END) 患者的脑动脉疾病 (BAD) 支部的lenticulostriate动脉 (LSA) 区域.
• 在这个患者队列中确定与END相关的关键临床和成像预测因素.
• 探索导致LSA-territory BAD END的潜在机制.

主要方法:

• 对患有LSA区域BAD的缺血性中风患者的回顾性分析.
• 利用LASSO回归进行预测器识别,并使用了9个机器学习算法.
• 开发了一个后勤回归模型,验证了它的性能,并使用决策曲线分析评估了临床效用.

主要成果:

• 分析了380名患者 (268名培训,112名验证) 的队列.
• END的重要预测因素包括中风史,缩压,凝聚珠子标志,中脑动脉 (MCA) 形状和父动脉狭窄.
• 开发的名图表显示出良好的区分能力和校准,表明了实际的临床实用性.

结论:

• 结合关键预测因子 (心压,中风史,结合珠子标志,母动脉狭窄,MCA形状) 的新型名图,有效评估LSA-territory BAD中的END风险.
• 这种预测工具有助于临床决策和为LSA-territory BAD患者制定个性化治疗策略.