在急性缺血性中风中预测中风相关肺炎:用CBC衍生的炎症指数进行机器学习模型开发和验证研究.
Mengqi Xie1, Zhiying Liu1, Fangfang Dai1
1The Second Clinical Medical College of Xinjiang Medical University, Xinjiang Uygur Autonomous Region, People's Republic of China.
International journal of general medicine
|June 18, 2025
概括
机器学习准确地预测了中风相关肺炎 (SAP) 风险. 关键因素包括免疫标记物和患者人口统计数据,通过新的预测工具实现早期临床决策.
科学领域:
- 神经学 神经学
- 传染性疾病 传染性疾病
- 计算生物学 计算生物学
背景情况:
- 脑卒中相关性肺炎 (SAP) 是继缺血性脑卒中后的一种严重并发症.
- SAP显著增加了患者的发病率和死亡率.
- 早期识别患有SAP高风险的患者对于改善结果至关重要.
研究的目的:
- 确定中风相关肺炎 (SAP) 的关键风险因素.
- 开发和验证用于早期SAP风险分层的机器学习 (ML) 模型.
- 创建一个用于临床决策支持的实用工具.
主要方法:
- 对574名缺血性中风患者的回顾性分析.
- 使用10倍交叉验证对9个机器学习模型进行培训和测试.
- 使用准确度,AUC-ROC和F1得分评估模型性能;通过SHAP分析评估预测因素的重要性.
主要成果:
- 在研究队列中,SAP发病率为32.4%.
- 该LightGBM算法显示了优越的预测性能,没有过度装配.
- 确定的顶级预测因素包括单细胞与淋巴细胞的比率 (MLR),系统免疫炎症指数 (SII),NIHSS得分,年龄,系统炎症总指数 (AISI) 和血小板与淋巴细胞的比率 (PLR).
结论:
- 机器学习模型,特别是LightGBM,在预测SAP风险方面表现出很高的准确性.
- 鉴定到的风险因素为SAP的病原性提供了有价值的见解.
- 一个互动的基于Web的预测工具为临床医生提供了实时决策的可操作见解.
