基于可解释的机器学习模型预测自发性脑内出血患者的功能结果:一个多中心的回顾性研究
Bin Pan1, Fengda Li2, Chuanghong Liu2
1Department of Emergency Intensive Care Unit, Changshu Hospital Affiliated to Soochow University, Changshu, China.
Frontiers in neurology
|January 27, 2025
概括
机器学习准确地预测了自发性脑内出血 (SICH) 的糟糕结果. 极端梯度增强 (XGB) 模型确定了关键因素,如GCS得分和血液瘤体积,以实现个性化的患者护理.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 自发性脑内出血 (SICH) 是脑血管疾病的主要原因,死亡率和残疾率高.
- 由于其严重的后果,SICH给社会经济带来了巨大的负担.
研究的目的:
- 开发和验证可解释的机器学习模型,用于预测SICH后3个月的功能结果.
- 确定影响SICH预后的关键临床变量.
主要方法:
- 来自三个中心的380名SICH患者的临床数据的回顾性分析 (2020年6月 - 2023年6月).
- 数据分为70%的培训和30%的验证集.
- 使用LASSO回归和Pearson相关性进行变量选择,其次是5个ML模型 (CNB,SVM,GNB,MLP,XGB) 进行预测和SHAP进行解释.
主要成果:
- 极端梯度增强 (XGB) 模型在验证集中表现出最高的预测性能,AUC为0.969 (0.937-0.998).
- 通过SHAP分析发现的不良预后的关键预测因素包括GCS得分,血瘤体积,血压变化,血小板,年龄,出血位置和血糖水平.
- 在380名患者中,95名患者的预后不佳.
结论:
- 开发的XGB模型有效预测SICH患者的预后不良风险.
- 这种工具可以帮助临床医生做出个性化和明智的治疗决策.
- 预后与GCS得分,血瘤体积,血压,血小板,年龄,出血部位和葡萄糖水平密切相关.
