动态,可解释,基于机器学习的结果预测作为急性缺血性中风患者护理的新兴机会:一项概念验证研究

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学信息学 生物医学信息学

背景情况:

• 临床环境中的机器学习 (ML) 模型往往是"黑子",限制了信任和应用.
• 脑卒中患者的恢复是动态的,这使得传统的预测模型随着时间的推移而变得不那么可靠.
• 可解释的ML为理解预测和改善患者护理提供了一条道路.

研究的目的:

• 构建和评估一个可解释的ML模型,用于预测急性缺血性中风 (AIS) 患者的结果.
• 在各种恢复时间点 (基线,2小时,24小时,放电) 评估模型性能.
• 提高中风预测结果的透明度和可靠性.

主要方法:

• 对355名AIS患者的回顾性分析,这些患者接受了阿尔特等治疗.
• 使用基线,2小时,24小时和放电数据作为模型输入.
• 使用支持矢量机 (SVM),物流回归 (LR) 和随机森林 (RF) 分类器,使用SHAP和LIME进行解释.

主要成果:

• 可解释的ML模型显示出强大的预测性能 (AUC 0.80-0.96),超过了DRAGON得分 (AUC 0.760).
• SHAP和LIME确定了关键预测因素,包括年龄,治疗开始时间,血小板计数,NIHSS和血压.
• 模型提供了对不同时间点影响患者结果的因素的明确见解.

结论:

• 可解释的ML模型是有效的预测功能结果在AIS患者用阿尔特治疗.
• 使用可解释模型进行动态预测有助于识别可修改的因素,以改善患者的康复.
• 这种方法通过提供可理解和安全的输出来增强临床决策.