在状态后预测发作复发:一个多中心探索性机器学习方法.

科学领域:

• 神经学 神经学
• 人工智能在医学中的应用
• 预测分析是一种预测分析.

背景情况:

• 在 status epilepticus (SE) 之后发作复发的预测工具是有限的.
• 没有先前发作 (de novo SE, dnSE) 的状态 (SE) 影响了大量患者群体.
• 鉴定SE后患有复发性发作风险的患者在临床上很重要.

研究的目的:

• 评估各种机器学习 (ML) 模型在预测 de novo SE (dnSE) 第一次发作后发作复发的有效性.
• 将ML算法的预测性能与传统的物流回归模型进行比较.

主要方法:

• 一个多中心的回顾性队列研究,涉及患有 dnSE 的16岁以上的患者.
• 使用临床和神经生理学数据开发和验证ML模型 (k-NN,Naïve Bayes,ANN,SVM,决策树,随机森林) 和后勤回归.
• 70%的数据用于培训,30%用于验证;使用接收器操作特征曲线 (AUROC) 下面的区域评估预测能力.

主要成果:

• 35.2%的患者在SE.后两年内经历了发作复发.
• 渐进性症状性SE病因,昏迷的非性SE和医院外的SE与复发相关;急性症状性SE具有保护性.
• 随机森林算法实现了最高的预测能力 (AUROC 0.687),超过了后勤回归 (AUROC 0.594).

结论:

• 与逻辑回归相比,随机森林算法在 dnSE 后的发作复发方面表现出优异的预测性能.
• 虽然人工智能显示出潜力,但目前在dnSE后对发作复发的预测准确性需要通过额外的研究和数据进一步改进.
• 超过三分之一的dnSE患者在两年内经历了发作复发,这突显了需要更好的预测策略的需要.