基于机器学习算法构建创伤后脑梗塞风险的可解释模型:一项回顾性研究

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 临床预测建模临床预测建模

背景情况:

• 创伤后脑梗塞 (PTCI) 是创伤性脑损伤 (TBI) 的严重并发症.
• PTCI可能导致永久的神经缺陷或死亡.
• 识别PTCI预测因子和开发预测模型对于临床管理至关重要.

研究的目的:

• 在TBI患者中调查与PTCI相关的因素.
• 开发和比较用于PTCI风险预测的机器学习 (ML) 模型.
• 用SHAP值来解释ML模型的预测.

主要方法:

• 来自1484名TBI患者的临床数据的回顾性分析.
• 使用LASSO和多变量逻辑回归来识别预测因素.
• 开发和比较ML分类模型,并解释SHAP值.

主要成果:

• PTCI的主要预测因素包括年龄,双边脑,血小板计数,尿酸,葡萄糖,创伤性脑下下出血和手术治疗.
• 后勤回归 (LR) 模型表现出卓越的性能,AUC为0.821和准确度为0.845.
• 在十倍交叉验证过程中,LR模型表现出稳定的性能.

结论:

• 通过整合人口和临床因素,ML算法可以有效预测PTCI风险.
• SHAP值解释为个性化患者治疗策略提供了洞察力.
• 这些模型弥合了复杂的临床数据和可操作的临床见解之间的差距.