人工智能驱动的预测格拉斯哥昏迷尺度在前传动动脉动脉瘤中的结果

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 格拉斯哥昏迷量表 (GCS) 对于神经学评估至关重要,但传统的预测方法在复杂的患者数据上扎.
• 准确的GCS预测对于神经疾病中有效的重症监护决策至关重要.

研究的目的:

• 开发准确和可解释的机器学习 (ML) 模型,用于预测格拉斯哥昏迷表 (GCS) 评分.
• 通过利用先进的ML技术进行神经评估来增强重症监护决策.

主要方法:

• 在759名具有25个特征的患者数据集上训练了6个ML算法 (包括Random Forest,XGBoost,ANN).
• 使用数据预处理技术,如数值编码,标准化和分层分割.
• 使用准确度和曲线下的接收器操作特征面积 (ROC AUC) 评估模型性能.

主要成果:

• 随机森林模型获得了最高的准确度 (86.4%) 和ROC AUC (0.9592).
• 集成的ML方法表现优于简单的模型,在异质的临床数据中证明了稳定性.
• 确定了关键预测因素,包括亨特和赫斯得分,动脉瘤尺寸和术后因素.

结论:

• 机器学习提供了一种强大的数据驱动方法,用于在重症监护中准确预测GCS.
• ML模型提供了可解释的工具,超越了神经评估的传统方法.
• 这项研究为将ML纳入个性化神经治疗和未来的多模式数据研究铺平了道路.