最先进的自动化机器学习技术使用例行测量实验室和放射学参数预测了低度瘤下关节出血的结果:凝血参数和肝功能作为关键预后指标

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:

• 动脉瘤下关节出血 (aSAH) 是一种具有可变功能结果的严重疾病.
• 预测低等级aSAH患者 (亨特-赫斯等级IV-V) 的结果具有挑战性,但对于治疗规划至关重要.
• 目前的预后方法可能无法充分利用常规可用的临床数据.

研究的目的:

• 开发和评估自动机器学习 (aML) 模型,用于预测低等级aSAH患者的短期 (1个月) 和中期 (3个月) 功能结果 (修改的兰金表 (mRS)).
• 确定可预测功能结果的关键实验室和放射学参数.
• 探索目标温度管理 (TTM) 的预后价值.

主要方法:

• 在试点试验中分析了60名低级aSAH患者的数据,分为TTM和标准治疗组.
• 使用9个机器学习算法与超参数调整开发预测模型.
• 使用宏权重平均面积在接收器运行曲线下的面积 (mWA-AUROC) 和其他指标对模型性能进行评估.

主要成果:

• 后勤回归模型在1个月和3个月的mRS结果中实现了完美的预测 (mWA-AUROC = 1).
• 一个月后结果的关键预测因素包括中性粒细胞计数,血小板计数和玛-谷氨基转移酶.
• 三个月结果的关键预测因素包括性别,激活的部分血栓形成时间和阿斯巴酸氨基转移酶;TTM是一个显著的积极预后因素.

结论:

• aML模型显示出使用现有数据预测低级aSAH患者的功能结果的高潜力.
• 确定了包括肝功能和凝血参数在内的新型预测因子,提供了新的研究途径.
• 这些经过验证的模型代表了在aSAH管理中实现个性化医学的一步,改善了预后和治疗策略.