一个动态的机器学习模型来预测动脉图学血管在动脉瘤下关节出血后

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 动脉瘤下arachnoid出血 (aSAH) 带来了显著的风险,包括血管血管 (AV) 的发展.
• 及时和准确地预测AV对于及时干预和改善患者结果至关重要.
• 目前的预测方法可能缺乏复杂临床情景所需的精度和活力.

研究的目的:

• 开发一个精确,动态的机器学习模型,用于预测aSAH患者的AV.
• 为提高预测能力,利用每日跨皮多普勒超声波 (TCD) 数据.
• 为了比较动态LSTM模型与静态模型的性能.

主要方法:

• 对424名aSAH患者的回顾性审查.
• 收集人口,临床,放射和定量数据 (例如,MAP,CPP,血清,TCD参数).
• 三种模型的开发和比较:基线模型 (BM),标准TCD模型 (SM) 和长短期记忆 (LSTM) 机器学习模型.

主要成果:

• 在预测AV时,LSTM模型显示了最高的精度 (0.571) 和准确性 (0.776).
• 该LSTM模型保持了高精度 (0.488) 和准确度 (0.803) 在5天内预测AV.
• 删除非TCD数据将LSTM模型精度提高到0.824,突出显示了TCD数据的价值.

结论:

• 纵向TCD数据可以为动态机器学习模型提供动态机器学习模型,用于AV预测.
• 与静态TCD测量相比,开发的LSTM模型提供了更高的精度.
• 这种动态方法有望改善aSAH管理中的AV预测.