开发和验证半肩部疼痛早期预测模型:对后勤回归,支矢量机器和随机森林进行比较研究

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 康复医学 康复医学 康复医学

背景情况:

• 半性肩部疼痛 (HSP) 是中风后的一个常见并发症.
• 准确预测HSP对于及时干预和改善患者结果至关重要.

研究的目的:

• 使用机器学习算法识别HSP的预测变量.
• 选择HSP发生的最佳预测模型.
• 预测中风患者中HSP发展的可能性.

主要方法:

• 分析了332名中风患者的队列.
• 拉索回归选了预测变量.
• 后勤回归,支持向量机和随机森林模型被开发并使用性能指标 (准确性,精度,回忆,F1得分) 和ROC/DCA进行比较.
• 对模型可解释性进行了SHAP分析.

主要成果:

• 随机森林 (RF) 模型表现出高精度 (0.90),精度 (0.89),回忆 (0.88),F1得分 (0.86) 和AUC-ROC (0.94) 的卓越性能.
• 通过SHAP分析识别的早期HSP的关键预测因素包括多重伤害,肩关节曲,双肌溢出,感官障碍,上肌病,下,糖尿病和年龄.

结论:

• 射频模型为预测中风幸存者的HSP提供了一个强大的和可解释的方法.
• 这种预测模型可以帮助HSP早期预警系统和个性化管理策略.