基于血液生物标志物的机器学习模型用于预测中风患者的认知障碍
Yue Zhao1, Daojun Zeng2, Hong Yu2
1Department of Anesthesiology, The Affiliated Hospital, Southwest Medical University, Luzhou, Sichuan Province, China; Anesthesiology and Critical Care Medicine Key Laboratory of Luzhou, Southwest Medical University, Luzhou, Sichuan Province, China; Department of Thoracic Surgery, The Affiliated Hospital, Southwest Medical University, Luzhou, Sichuan Province, China.
World neurosurgery
|July 12, 2025
概括
机器学习模型准确预测中风患者的认知障碍 (CI) 风险. 后勤回归显示出最佳表现,确定了早期干预和改善结果的关键因素.
科学领域:
- 神经学 神经学
- 数据科学数据科学数据科学
- 生物统计学 生物统计学
背景情况:
- 认知障碍 (CI) 是中风幸存者的常见并发症,对预后产生负面影响.
- 早期和精确地识别高风险的中风患者的CI对于及时管理至关重要.
- 这项研究开发了机器学习 (ML) 模型,以预测中风患者的CI风险.
研究的目的:
- 开发和评估用于预测中风患者认知障碍风险的ML模型.
- 确定与中风后CI相关的关键临床和人口因素.
- 通过准确评估CI风险,使早期干预策略成为可能.
主要方法:
- 利用来自中国健康与退休长度研究 (2011-2018) 的数据,对2505名中风患者进行了研究.
- 采用拉索回归和博鲁塔算法进行特征选择,确定了十个关键变量.
- 开发并比较了10个ML算法,包括后勤回归,XGBoost,SVM和随机森林,通过AUC和决策曲线分析评估性能.
主要成果:
- 后勤回归模型实现了最高的预测准确性,曲线下的面积 (AUC) 为0.824 (95% CI:0.794-0.854).
- 决策曲线分析证实了物流回归模型的卓越临床实用性和净效益.
- 莎普利添加剂研究确定了教育,年龄,疼痛,抑郁症,HbA1c和BUN作为CI的重要预测因素.
结论:
- 基于ML的预测模型为评估中风患者的CI风险提供了高准确度.
- 开发的模型有助于早期识别有风险的个体,为及时干预铺平道路.
- 准确的CI风险预测可以显著改善中风后的患者结果.
