机器学习技术用于在急性前部循环缺血性中风中独立预测步态恢复
Jiangping Ma1,2, Yuanjie Xie3
1Department of Neurology, Tongren Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China. 1240256078@qq.com.
Journal of neuroengineering and rehabilitation
|January 31, 2025
概括
这项研究开发了一种机器学习模型,用于预测缺血性中风后的步态恢复. 随机生存森林模型显示出卓越的准确性,识别了关键预测因素,如扩大的周围血管空间和认知得分.
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:
- 急性前部循环缺血性中风显著影响患者的流动性和恢复.
- 预测步行恢复对于有效的康复规划和患者管理至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测急性前部循环缺血性中风患者的步态恢复.
- 确定影响步态恢复的关键临床和成像预测因素.
主要方法:
- 分析了237名患有急性前部循环缺血性中风的患者队列.
- 最小绝对收缩和选择操作员 (LASSO) 回归选了31个变量.
- 使用随机生存森林 (RSF) 和COX回归构建预测模型,并使用SHapley添加式扩展 (SHAP) 进行解释.
主要成果:
- 确定了10个重要的预测因素,包括年龄,性别,白质超强度,认知评估得分,中风严重程度,周周血管空间扩大,缺口和心脏病发作的位置.
- 与COX回归 (0.741培训,0.705验证) 相比,RSF模型实现了更高的C指数 (0.761培训,0.725验证).
- 在SHAP分析中,基底质中扩大的周血管空间,定时启动和启动测试,蒙特利尔认知评估,年龄和周血管白质超强度是最重要的预测因素.
结论:
- 该RSF模型提供了一个强大而准确的工具,用于预测中风后的步态恢复.
- 这些发现为临床决策和针对中风幸存者的个性化康复策略提供了宝贵的见解.
