开发和验证一种可解释的机器学习预测模型,用于在中风中静脉血栓溶解后发生出血变化

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 血流转化 (HT) 是急性缺血性中风治疗以静脉血栓溶解后的一个重大并发症.
• 预测HT风险对于优化治疗策略和患者结果至关重要.
• 目前的预测方法可能缺乏实时临床应用所需的精度和可解释性.

研究的目的:

• 开发和验证一种可解释的机器学习 (ML) 模型,用于预测静脉输血血栓溶解后出血转化 (HT) 的风险.
• 为了比较不同的ML算法在预测HT的性能.
• 通过可解释的AI技术,识别导致HT风险的关键临床因素.

主要方法:

• 在症状出现后4.5小时内接受静脉组织等离子素激活剂 (IV-tPA) 的患者的回顾性分析.
• 开发ML模型 (随机森林,MLP,AdaBoost,GauNB) 来预测HT,定义为在48小时内CT上的任何出血.
• 在原始和外部验证队列中使用准确性,精度,回忆,F1得分和ROC-AUC的模型性能评估.
• 使用SHAP和部分依赖图表进行可解释性评估,以确定重要的预测因素.

主要成果:

• 基于随机森林 (RF) 的ML-HT模型实现了高性能,准确度为0.874,ROC-AUC在原始队列中为0.7847,在外部队列中为0.7119.
• 其他模型,如MLP和AdaBoost,也表现出具有竞争力的预测能力.
• 可解释的分析确定NIHSS得分,年龄,血小板计数和心房动是HT风险的主要决定因素.

结论:

• 可解释的基于射频的ML模型显示了预测IV-tPA后的HT风险的重大潜力.
• 这种模型可以通过为出血转化提供风险分层来帮助紧急情况下的临床医生.
• 需要进一步的前性验证,以便将该工具纳入常规临床实践.