基于机器学习的缺血性中风后针干预上肢功能障碍的临床疗效预测:DSA诊断报告数据驱动的一项研究
Yaning Liu1, Yuqi Tang1, Zechen Li2
1School of Acu-Mox and Tuina, Chengdu University of Traditional Chinese Medicine, Chengdu, China.
Frontiers in neurology
|January 22, 2025
概括
机器学习准确地预测了中风患者上肢功能障碍的针疗效. 关键因素包括大脑动脉狭窄,修改后的巴特尔指数 (MBI) 是最敏感的结果衡量标准.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 康复医学 康复医学 康复医学
背景情况:
- 缺血性中风经常导致上肢功能障碍,影响患者的康复和生活质量.
- 针是中风后康复的常见干预方法,但预测其有效性仍然具有挑战性.
- 机器学习为中风恢复提供了个性化治疗策略的潜力.
研究的目的:
- 开发和验证一种机器学习模型,用于预测治疗在患上上肢功能障碍的缺血性中风患者的疗效.
- 确定影响治疗结果的关键临床和成像因素.
- 评估模型在指导中风康复的临床实践中的实用性.
主要方法:
- 分析了616名患上上肢功能障碍的缺血性中风患者的数据集,这些患者接受了针治疗.
- 使用AutoGluon框架构建了一个预测模型.
- 结果使用国家卫生研究院中风量表 (NIHSS),上肢Fugl-Meyer评估 (FMA-UE) 和修改的巴特尔指数 (MBI) 进行评估.
主要成果:
- 该模型实现了高预测准确率:NIHSS为84.3%,FMA-UE为77.8%,MBI为88.1%.
- 关键预测因素包括中脑动脉 (MCA) 的M1段的狭窄,以及内动脉 (ICA) 的起源和C1段.
- 1或3个部位的脑血管狭窄显著影响了预测;MBI是最敏感的结果指标.
结论:
- 机器学习模型可以有效地预测上肢功能障碍的中风患者的针疗效.
- 大脑动脉狭窄,特别是在特定的MCA和ICA段,是治疗反应的关键决定因素.
- 修改后的巴特尔指数 (MBI) 是评估治疗在这个人群中的有效性的一个敏感指标.
