开发一种可解释的急性缺血性中风预后模型:将临床和炎症生物标志物与机器学习相结合

科学领域:

• 神经学 神经学
• 生物标志物 生物标志物
• 机器学习 机器学习

背景情况:

• 准确预测急性脑梗塞 (ACI) 的预后对于患者管理至关重要.
• 现有的模型往往缺乏整合临床和生物指标,以准确预测.

研究的目的:

• 开发和验证ACI预后的预测模型.
• 整合临床评估和炎症生物标志物,以提高准确性和可解释性.

主要方法:

• 对1017名ACI患者进行了回顾性队列研究.
• 开发和评估了12个机器学习模型,使用培训/验证分割.
• 采用沙普利添加式解释 (SHAP) 进行特征解释.

主要成果:

• 后勤回归模型确定了24小时后的NIHSS,NIHSS变化,D-二次数,中性细胞计数,24小时后的淋巴细胞百分比和停留时间作为关键预测因素.
• 24小时的NIHSS被证明是一个关键的早期预后指标.
• 炎症标志物显著改善了预测性能.

结论:

• 通过整合临床和炎症生物标志物,开发了一个强大的,可解释的ACI预后模型.
• 该模型强调了早期评估和炎症标志物的预后价值,以实现个性化治疗.
• 未来的研究应该专注于多中心验证,并纳入额外的变量.