基于机器学习的模型用于预测中风患者中风后早期疲劳:一项纵向研究
Yu Wu1,2, Depeng Zhou3, Lovel Fornah4
1School of Nursing and Rehabilitation, Cheeloo College of Medicine, Shandong University, Jinan, Shandong Province, China.
Neurorehabilitation and neural repair
|March 24, 2025
概括
机器学习准确地预测了早期中风后的疲劳. 包装模型确定了焦虑和睡眠障碍等关键风险因素,改善了中风幸存者的患者护理策略.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 康复医学 康复医学 康复医学
背景情况:
- 脑卒中后的疲劳严重影响了脑卒中幸存者的生活质量和日常功能.
- 开发早期疲劳的预测模型对于及时干预至关重要.
研究的目的:
- 开发和评估用于预测早期中风后疲劳的机器学习算法.
- 确定与早期中风后疲劳相关的关键临床特征.
主要方法:
- 一项纵向研究涉及702名中风患者,对其进行了3个月的随访.
- 利用了23个临床特征,应用过量抽样,十倍交叉验证和网格搜索以优化模型.
- 采用最小绝对缩小和选择运算符 (LASSO) 回归来进行特征选择,并评估了16个机器学习算法.
主要成果:
- 包装模型表现出最佳的性能,AUC为0.8479.
- 早期中风后疲劳的关键预测因素包括焦虑,睡眠质量,社会支持,家庭照顾,疼痛,抑郁,神经功能缺陷,饮酒状况,平衡功能,中风类型,性别,心脏病,吸烟和半.
- 该模型实现了0.7518的精度和0.6392.2的F1得分.
结论:
- 包装机器学习模型对于预测中风幸存者的早期中风后疲劳是有效的.
- 识别特定的风险因素可以进行有针对性的干预,以减轻疲劳.
