自动机器学习用于预测内血管治疗破裂内动脉瘤患者的外科手术前缺血中风

科学领域:

• 神经外科 神经外科
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 破裂的内动脉瘤 (RIA) 带来了重大风险,包括外科手术期间的缺血性中风 (PIS).
• 准确预测PIS对于有效的患者管理和治疗计划至关重要.

研究的目的:

• 开发和验证一种自动机器学习模型,用于预测内血管治疗RIA患者的PIS风险.
• 为PIS风险评估创建一个临床决策支持工具.

主要方法:

• 对647名接受内血管治疗的RIA患者进行了回顾性队列研究.
• 最小绝对收缩和选择运算符 (LASSO) 回归用于特征选择.
• 开发和评估9个机器学习模型,包括随机森林 (RF),使用交叉验证和性能指标 (ROCAUC,Brier分数).
• 使用Shapley添加式扩展 (SHAP) 解释射频模型.

主要成果:

• 拉索确定了13个临床可行的PIS预测因素.
• 随机森林模型在测试组中实现了最高的性能,ROCAUC为92.11%.
• 展望验证显示,PIS预测的准确率为88.23%.
• 一个基于网络的计算器被开发用于实际的临床使用.

结论:

• 一个可解释的机器学习框架成功地开发和验证了在内血管治疗RIA患者中PIS预测.
• 开发的工具提供了准确的PIS风险预测,使高风险个体能够及时进行预防和治疗干预.