基于机器学习的风险预测模型的开发和验证,用于老年成人中风相关肺炎的出血性中风
Yi Cao1,2, Haipeng Deng1, Shaoyun Liu1
1Department of Neurosurgery, Affiliated Hospital of Guizhou Medical University, Guiyang, China.
Frontiers in neurology
|July 3, 2025
概括
一种机器学习模型有效地预测了中风相关肺炎 (SAP) 风险在老年人中出血性中风. 使用诸如年龄和GCS得分等因素的物流回归模型显示出强大的预测性能和通用性.
科学领域:
- 医疗信息学 医疗信息学
- 神经学 神经学
- 医疗保健中的机器学习
背景情况:
- 与中风相关的肺炎 (SAP) 是老年人经过出血性中风后的一种严重并发症.
- 准确预测SAP风险对于及时干预和改善患者结果至关重要.
- 现有的预测方法可能缺乏临床应用所需的精度和通用性.
研究的目的:
- 开发和验证基于机器学习 (ML) 的模型,用于预测老年成人出血性中风患者的SAP风险.
- 在这个患者群体中确定与SAP发展相关的关键临床因素.
- 为早期风险评估和有针对性的干预提供临床适用工具.
主要方法:
- 分析了三所三级医院788名老年成人出血性中风患者的回顾性数据.
- 开发了四种ML模型 (逻辑回归,XGBoost,天真贝叶斯,SVM),并使用培训和内部验证集进行了比较.
- 最佳模型经过了外部验证,使用ROC曲线,AUC,校准曲线和各种预测指标评估性能.
主要成果:
- 后勤回归 (LR) 模型在预测SAP方面表现优越且一致,AUC值为0.883 (培训),0.855 (内部验证) 和0.882 (外部验证).
- 确定的SAP风险因素包括晚年,吸烟,格拉斯哥昏迷表 (GCS) 低分,低布拉登分和鼻胃管使用.
- 该LR模型在内部和外部验证队列中表现出令人满意的校准和良好的通用性,并得到了nomogram可视化的支持.
结论:
- 一个经验证的基于LR的ML模型有效地预测了老年成人出血性中风患者的SAP风险.
- 关键的预测因素 (年龄,吸烟,GCS,布拉登分数,鼻胃管) 已经可用于临床评估.
- 开发的名图表作为指导临床护理实践的客观工具,可以早期识别高风险患者,并针对性干预,以减少SAP发生率和改善预后.
