基于机器学习的每日急性缺血性中风病例预测,使用天气数据

科学领域:

• 环境健康 环境健康
• 医疗信息学 医疗信息学
• 流行病学 流行病学

背景情况:

• 天气现象是全球中风负担的重要贡献者,约占病例的11%.
• 气候危机需要医疗保健系统的先进的基于天气的预测分析.
• 准确预测疾病发病率对于有效的公共卫生管理至关重要.

研究的目的:

• 开发和评估机器学习模型,用于预测每日急性缺血性中风 (AIS) 病例.
• 为了确定影响AIS发生率的关键天气参数.
• 为预测与天气有关的疾病负担建立一个可通用的框架.

主要方法:

• 使用地方区域天气数据和AIS患者入院 (2015-2021) 的预测模型的开发.
• 来自德国曼海姆大学医学中心的7914名患者的AIS队列与德国气象局数据的地理空间匹配.
• 在嵌套交叉验证框架内评估多个机器学习算法,包括Poisson回归,GAMs,SVM,随机森林和XGBoost.

主要成果:

• 极端梯度提升 (XGB) 显示了最高的性能,平均绝对误差为1.21例/天.
• 最大气压被确定为主要预测因素,而温度显示与AIS入院的双模关系.
• 增加的AIS入院与寒冷压力 (Tmin_lag3 < -2°C),热压力 (Tperceived < -1.4°C; Tmin_lag7 > 15°C) 和风暴条件 (风暴> 14 m/s) 相关.

结论:

• 机器学习模型有效地根据天气数据预测每日急性缺血性中风的入院率.
• 特定的天气条件,包括极端温度和强风,与中风发病率的增加有关.
• 开发的框架为实时医院资源规划和预测与天气有关的健康影响提供了有价值的工具.