基于机器学习的脑损伤患者的预后预测
Hongbing Liu1, Yue Su1, Min Peng1
1The First Affiliated Hospital of Wannan Medical College, Wuhu city, 241000, Anhui Province, China.
Scientific reports
|December 31, 2024
概括
机器学习准确地预测了创伤性脑损伤 (TBI) 患者的血液瘤扩张. 使用临床数据的决策树模型提供了一种可靠的方法来预测血液瘤变化,改善患者的治疗结果.
科学领域:
- 神经外科 神经外科
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 创伤性脑损伤 (TBI) 是一个重要的全球健康问题,脑 (CCs) 是一个常见的形式.
- 脑的出血进展 (HPC) 对患者的生存构成关键风险,需要准确预测血瘤体积变化.
- 机器学习 (ML) 为分析复杂的医疗数据和改善临床环境中的预测能力提供了强大的工具.
研究的目的:
- 评估机器学习算法在预测脑患者血瘤变化的有效性.
- 根据临床和实验室数据,确定最佳的ML模型来预测伤的出血进展 (HPC).
- 为神经外科医生提供数据驱动的工具,以更好地管理患有血瘤扩张风险的TBI患者.
主要方法:
- 从2019年9月到2022年9月对673名CC患者进行了回顾性分析.
- 实施和比较三个ML算法:决策树 (DT),随机森林 (RF) 和多层感知器 (MLP).
- 模型性能评估使用灵敏度,特异性,F1得分,准确性和AUC-ROC指标.
主要成果:
- 决策树 (DT) 模型表现出卓越的性能,特别是在灵敏度方面,用于预测血液瘤变化.
- 通过DT模型识别的关键预测因素包括初始血瘤体积,GCS得分,Fib,血糖,多重CCs,性别,PT,血和PLT计数.
- 该DT模型实现了高评估指标:灵敏度=0.9545,特异性=0.9803,F1得分=0.8936,准确度=0.9778,以及AUC-ROC=0.9674.
结论:
- 决策树 (DT) 模型对于预测CC患者的血液瘤体积变化非常有效和科学合理.
- 基于ML的HPC预测可以帮助临床决策,并可能改善患者管理和结果.
- 这项研究突出了人工智能在神经外科的潜力,提高了对关键TBI进展的预测.
