在老年缺血性中风患者进行干预手术后,开发和应用基于机器学习的预测模型,用于动脉缩

科学领域:

• 心血管医学 心血管医学
• 神经学 神经学
• 医疗信息学 医疗信息学

背景情况:

• 冠状动脉缩是老年缺血性中风患者的干预手术后的一个重要并发症.
• 准确的风险预测对于有效的患者管理和预防策略至关重要.
• 现有的预测模型可能无法完全捕捉到这个特定人群中风险因素的复杂性.

研究的目的:

• 开发和验证一种基于机器学习的风险预测模型,用于动脉复缩.
• 在老年缺血性中风患者中确定与动脉缩相关的关键临床因素.
• 为了比较各种机器学习算法的性能,用于此预测任务.

主要方法:

• 收集了371名老年缺血性中风患者 (培训组) 和75例 (验证组) 的临床数据.
• 应用了多种机器学习模型,包括梯度增强机 (GBM),支持向量机,物流回归,决策树和极端梯度增强.
• 模型性能使用诸如接收器操作特征曲线 (AUROC) 下的面积,灵敏度,特异性和精度等指标进行评估.

主要成果:

• 鉴定出六个关键性因素导致心动脉缩:同型半氨酸 (Hcy),血小板计数 (PLT),血小板分布宽度 (PDW),平均血小板体积 (MPV),介质素-6 (IL-6) 和C反应蛋白 (CRP).
• 梯度增强机 (GBM) 模型表现出卓越的性能,训练组的AUROC为0.969,验证组的AUROC为0.939.
• 在验证队列中,GBM模型显示了高精度 (0.960),灵敏度 (0.909) 和特异性 (0.969).

结论:

• 与其他机器学习算法相比,渐变增强机 (GBM) 模型在预测动脉复缩风险方面表现出卓越的准确性和稳定性.
• 开发的GBM模型具有显著的临床价值,用于识别老年缺血性中风患者,这些患者在干预手术后患上大脑动脉缩的高风险.
• 这种预测工具可以帮助临床医生定制预防策略并改善患者的治疗结果.