预测缺血性中风患者使用机器学习转移到内血管血栓切除术:一个案例研究
Noreen Kamal1,2,3,4, Joon-Ho Han1, Simone Alim5
1Department of Industrial Engineering, Dalhousie University, Halifax, NS B3H 4R2, Canada.
Healthcare (Basel, Switzerland)
|June 26, 2025
概括
机器学习模型在改善中风护理中的内血管血栓切除术 (EVT) 患者选择方面表现有前途. 这些先进的算法可以帮助减少不必要的患者转移,优化大血管封闭的治疗.
科学领域:
- 神经学 神经学
- 数据科学数据科学数据科学
- 医疗保健服务研究 医疗服务研究
背景情况:
- 血管内血栓切除术 (EVT) 是对缺血性中风与大血管封闭的关键治疗方法.
- 患者通常需要从当地医院转移到专门的城市中心进行EVT.
- 当前为转移的患者选择可能会导致大量的徒劳转移,影响资源分配和患者的结果.
研究的目的:
- 评估机器学习 (ML) 模型在提高患者选择EVT转移的准确性方面的潜力.
- 评估ML是否可以作为决策支持工具,以尽量减少徒劳的转移.
主要方法:
- 来自加拿大新斯科舍省 (2018-2022) 的缺血性中风患者数据的回顾性分析.
- 应用四种监督的二进制分类ML算法:逻辑回归,决策树,随机森林和支向量机,以及集体方法.
- 模型性能使用准确度,徒劳转移率和假负率进行评估,用于缺失数据归算和五倍交叉验证的k-最近邻居.
主要成果:
- 分析包括93名患者,这些患者从最初的5156.6人队列中被排除在外.
- 决策树和随机森林模型的准确性更高 (分别为79%和74%).
- 随机森林模型实现了0%的徒劳转移率与5.37%的错误负率,而决策树有18.9%的徒劳转移率和4.3%的错误负率.
结论:
- 机器学习模型具有降低中风EVT背景下徒劳转移率的潜力.
- 需要对更大,更多样化的数据集进行进一步的研究,以验证这些发现,并使更广泛的临床实施成为可能.
