机器学习验证了一种简单的预测模型,用于在患有动脉瘤下arachnoid出血的患者中,预测晚年和临床结果之间的相关性
Fusao Ikawa1,2, Nao Ichihara3, Nobutaka Horie4
1Department of Neurosurgery, Graduate School of Biomedical and Health Sciences, Hiroshima University, 1-2-3 Kasumi, Minami-ku, Hiroshima, 734-8551, Japan. fikawa-nsu@umin.ac.jp.
Neurosurgical review
|January 14, 2025
概括
这项研究开发并验证了一种机器学习模型,用于预测患有动脉瘤下关节出血 (SAH) 患者的结果,重点关注晚年非线性影响. 该模型准确地预测了不良结果,有助于SAH患者的临床决策.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 晚年和初始神经状况不佳显著影响了动脉瘤下arachnoid出血 (SAH) 患者的结果.
- 对于SAH中与年龄相关的临床结果的现有预测模型缺乏验证.
- 需要一个经过验证的模型来准确评估SAH中晚年和临床结果之间的非线性相关性.
研究的目的:
- 开发和验证基于机器学习的预测模型,用于预测动脉瘤SAH患者中晚年和临床结果之间的非线性相关性.
- 评估模型在预测排放时糟糕的结果 (修改的兰金尺度得分≥3) 方面的表现.
- 为SAH提供一个用于治疗决策的定量援助的工具.
主要方法:
- 使用的通用添加模型 (GAMs) 具有年龄转换的支线曲线,按世界神经学会联合会 (WFNS) 级别分层.
- 在日本中风数据库的衍生队列 (n=9,657) 上训练了模型,并在单独的队列 (n=5,085) 上验证了模型.
- 使用接收机操作特征 (ROC) 曲线和校准图表进行评估的模型歧视.
主要成果:
- 经过验证的模型显示出强烈的歧视,ROC曲线下的面积为0.835 (导出) 和0.827 (验证) 对于未调整的模型,0.844 (导出) 和0.836 (验证) 对于调整的模型.
- 在预测和观察到的糟糕结果概率之间证实了无偏见的相关性.
- 一般化添加模型有效地可视化了SAH中年龄和临床结果之间的复杂相关性.
结论:
- 开发的机器学习预测模型准确地捕捉了晚年和动脉瘤SAH的临床结果之间的非线性关系.
- 这种经过验证的模型可以对SAH患者的治疗决策提供定量帮助.
- 使用GAM用于年龄转换的方法显示出在各种疾病和治疗环境中应用的希望.
