基于机器学习的预后模型,用于在亚急性中风患者的所相关活动中独立:一项回顾性研究
Yuta Miyazaki1,2,3, Michiyuki Kawakami1,2, Kunitsugu Kondo1,2
1Department of Rehabilitation Medicine, Tokyo Bay Rehabilitation Hospital, Chiba, Japan.
Topics in stroke rehabilitation
|June 11, 2025
概括
预测中风后的所独立性对于排放规划至关重要. 支持矢量机 (SVM) 和后勤回归 (LR) 模型在预测功能结果方面显示出高准确度,有助于康复策略.
科学领域:
- 康复医学 康复医学 康复医学
- 医疗保健中的人工智能
- 预测分析是一种预测分析.
背景情况:
- 所独立性对中风患者的出院计划和护理人员负担有重大影响.
- 早期预测功能结果可以个性化康复工作.
研究的目的:
- 为了比较后勤回归 (LR) 和五个机器学习 (ML) 算法的预测性性能,用于排放时的所独立性.
- 评估的算法包括决策树 (DT),支持向量机器 (SVM),人工神经网络 (ANN),k-最近邻居 (KNN) 和集体学习 (EL).
主要方法:
- 对824名亚急性中风幸存者的回顾性分析.
- 独立性由功能独立性测量 (FIM) 评分 (≥6) 在四个相关子项目中定义.
- 使用五倍交叉验证进行训练的模型,性能根据接收器操作特征曲线 (AUC) 下的区域进行评估.
主要成果:
- 支持矢量机 (SVM) 显示了最高的预测准确性 (AUC = 0.9223在验证中,0.9101在测试中).
- 后勤回归 (LR) 显示了可比性能 (AUC = 0.9202 在验证中,0.9078 在测试中) 具有更好的解释性.
- 通过LR识别的关键预测因素包括FIM-Bed到椅子转移 (积极) 和年龄 (负).
结论:
- SVM提供了高准确性与最小的超级学习预测中风后的所独立性.
- 由于其类似的性能和可解释性,LR提供了一种临床可行的替代方案.
- 这些预测模型可以为中风康复和出院计划提供信息.
