通过使用机器学习技术,估计接受缺血性中风病例成功再通道化的个性化有效性
Vahid Farmani1, Helge Kniep2, Mate E Maros3
1Galway Medical Technology Centre, Department of Mechanical and Industrial Engineering, Atlantic Technological University, Galway, Ireland.
概括
机器学习模型预测了机械血栓切除术对缺血性中风患者的个人益处. 年龄较大和中风严重程度较高的得分表明,成功的再道治疗的益处较小.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 机械血栓切除术 (MT) 是缺血性中风的关键治疗方法.
- 量化成功重新道化的个人因果效应是具有挑战性的.
- 预测模型可以帮助个性化治疗决策.
研究的目的:
- 开发机器学习模型,以估计在缺血性中风患者中成功重新道化的个体效应.
- 为了确定患者的特征与没有受益于成功的重道化.
主要方法:
- 利用随机森林 (RF) 模型来预测功能不良的结果.
- 在1718个非再输血 (TICI ≤ 2a) 和10339个再输血 (TICI ≥ 2b) 患者组中训练有素的模型.
- 计算的个体治疗效应是成功和不成功的再道化场景之间的预测概率的差异.
主要成果:
- 射频模型显示了两个组的强度校准.
- 成功的再通道治疗使再输血组的风险降低了22.0%,而非再输血组的风险降低了19.8%.
- 年龄较大,中风前修改的兰金度量 (mRS) 分数较高,以及国家卫生研究院中风度量 (NIHSS) 分数较高与没有受益相关.
结论:
- 机器学习有效地估计了MT对缺血性中风结果的个体影响.
- 预测分析可以个性化MT治疗策略.
- 识别非益处预测因素有助于优化对MT的患者选择.
