混合机器学习用于实时预测大中脑动脉中风中的形轨迹

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 大型中脑动脉中风后的恶性脑 edem 构成一个关键的临床挑战.
• 目前的风险评估工具缺乏实时动态预测能力,通常专注于单个早期时间点.
• 准确预测水进展对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证一种新的预测模型,用于评估中线转移的严重程度,这是恶性脑的关键指标.
• 为临床医生提供一个实时的定量工具,在8小时和24小时的窗口中进行动态风险评估.
• 将先进的AI技术与临床数据相结合,以提高预测准确度.

主要方法:

• 开发瘤轨迹混合合奏学习模型 (HELMET),集成基于变压器的大型语言模型和监督合奏学习.
• 在623名患者的回顾性数据上培训HELMET模型.
• 在来自单独医院系统的63名患者的独立队列上验证HELMET模型.

主要成果:

• HELMET模型实现了高预测性能,接收器操作特征曲线下的平均面积在培训中为96.6%,在验证中为92.5%.
• 这些模型在8小时和24小时间隔内准确预测了中线变化严重程度.
• 成功整合多式联络医疗记录和临床医生的专业知识,以进行风险评估.

结论:

• 在中风患者中,HELMET提供了一个可靠的框架,用于准确,实时估计中风患者的动态临床目标.
• 该研究强调了将人工智能与临床数据相结合的潜力,以实现动态风险分层.
• 这种方法为改善恶性脑 edem 的管理提供了一个有价值的工具.