一种可解释的混合机器学习方法,用于预测急性缺血性中风患者的三个月不良结果
Chen Chen1, Wenkang Zhang2, Yang Pan3
1School of Cyber Science and Engineering, Southeast University, Nanjing 211102 Jiangsu, China; School of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003 Jiangsu, China.
International journal of medical informatics
|February 9, 2025
概括
这项研究开发了一种可解释的混合机器学习模型,用于在三个月内预测急性缺血性中风 (AIS) 患者的不良结果. 该模型在内部和外部验证数据集上表现出强的表现,为风险评估提供了实用的工具.
科学领域:
- 神经学 神经学
- 机器学习 机器学习
- 生物统计学 生物统计学
背景情况:
- 急性缺血性中风 (AIS) 带来了显著的死亡率,残疾和长期损伤挑战.
- 现有的治疗方法和技术在预防AIS后不良结果方面存在局限性.
- 准确预测三个月的不良结果对于患者管理至关重要.
研究的目的:
- 开发和验证可解释的混合机器学习 (ML) 模型,用于预测AIS患者的三个月不良结果.
- 评估开发的预测模型的临床适用性和公平性.
- 为AIS建立一个实用的预测预测平台.
主要方法:
- 使用内部和外部数据集培训和验证了25个ML和深度学习模型.
- 采用集群分析,嵌套交叉验证和超参数优化用于模型选择和验证.
- 使用SHAP图表进行特征重要性和相互作用分析,以及临床决策和成本曲线分析.
主要成果:
- 结合XGBoost和CatBoost的组合模型表现出卓越的性能,在两个验证集上实现了高AUC和平衡的准确性.
- 不良结果的关键预测因素包括白蛋白,禁食血糖 (FBG),体重指数 (BMI),血清肌素 (Scr),白细胞计数 (WBC) 和年龄.
- 基于最终组合模型和最佳决策值,开发了一个实用的预测平台.
结论:
- 一种可解释的混合ML模型准确地使用现有的临床数据预测AIS患者的三个月不良结果.
- 该模型在内部和外部验证数据集上显示出强的性能.
- 开发的平台适用于例行风险评估和远程医疗集成.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.4K
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.4K