使用优化的XGBoost模型预测动脉瘤下关节出血的180天功能结果
Weichong Zhou1, Xingfu Liao1, Hui Shi1
1Department of Neurosurgery of Yongchuan Hospital, Chongqing Medical University, Chongqing, 402160, China.
Scientific reports
|July 2, 2025
概括
结合炎症标志物和临床分级的新XGBoost模型改善了对动脉瘤下arachnoid出血 (aSAH) 患者的预测结果. 这种方法有助于个性化治疗策略,以改善患者的预后.
科学领域:
- 神经学 神经学
- 关键护理医学 关键护理医学
- 生物医学数据科学 生物医学数据科学
背景情况:
- 动脉瘤下关节出血 (aSAH) 对传统评估模型提出了复杂的预后挑战.
- 准确预测患者的结果对于指导aSAH的有效治疗策略至关重要.
研究的目的:
- 开发和验证使用极端梯度增强 (XGBoost) 来预测aSAH预后的预测模型.
- 整合炎症标志物和临床分级,以实现个性化的患者风险分层.
主要方法:
- 使用临床和实验室数据对264名aSAH患者 (培训) 和88名 (验证) 的回顾性分析.
- 用于模型开发的XGBoost算法,结合了NAR,prokalcitonin,CRP,D-dimer等预测因子,以及修改后的费舍尔分数.
- 预后按6个月修改的兰金尺度 (mRS) 评分分类;使用AUC和Brier评分评估模型性能.
主要成果:
- 在XGBoost模型中,AUC达到0.87 (训练) 和0.85 (验证),Brier分数分别为0.13和0.18.
- 多变量分析确定了NAR,前素,CRP,D-二次体和修改的费舍尔分数作为显著的预测因素.
- 决策曲线分析证实了该模型在各种预测值中具有一致的临床实用性.
结论:
- 通过XGBoost模型整合临床和实验室标记物显著提高了aSAH的预后预测准确性.
- 开发的模型支持有针对性的干预措施,旨在降低aSAH的风险并改善患者的治疗结果.
