开发一种机器学习模型,以预测急性缺血性中风患者中神经成像概况的变化,以便在延迟转移内血管血栓切除术后预测这些变化

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 医疗保健中的机器学习

背景情况:

• 患者选择用于内血管血栓切除术 (EVT) 取决于神经成像.
• 医院间转移延迟可能会改变神经成像发现.
• 对转移延迟的EVT候选人进行重复成像的必要性和时间尚不清楚.

研究的目的:

• 开发和验证一个机器学习模型 (MLM).
• 预测血管再通道,缺血进展和成像稳定性.
• 帮助EVT候选人遇到延迟的医院间转移.

主要方法:

• 对EVT候选人的回顾性研究,内动脉或中脑动脉阻塞中风.
• 收集的数据包括临床和放射信息.
• 一个渐变增强的基于树的MLM (XGBoost) 被训练并使用交叉验证进行验证.

主要成果:

• 在验证队列中,MLM表现出强大的预测性能.
• 曲线下的面积 (AUC) 值为成像稳定性的0.81,缺血症进展的0.82和血管再通道的0.89.
• 关键的预测特征包括NIH中风量表的改善,开始到成像的时间,以及最初的ASPECTS.

结论:

• 开发的MLM准确地预测了EVT候选人的神经成像变化与转移延迟.
• 该模型可以为有关重复成像和EVT适合性的临床决策提供信息.
• 这些发现支持使用MLM来管理中风护理中的成像不确定性.