在中国人口中开发和解释一款机器学习风险预测模型,用于中风后抑郁症
Xia Zhong1, Tianen Zhao2, Shimeng Lv3
1Institute of Child and Adolescent Health, School of Public Health, Peking University, No.38, Xueyuan Road, Haidian District, Beijing, 100191, People's Republic of China.
Scientific reports
|August 6, 2025
概括
机器学习模型可以预测中风后抑郁症 (PSD) 风险. 一个XGBoost模型在中国中风患者中使用临床指标预测PSD方面表现优异.
科学领域:
- 神经学 神经学
- 数据科学数据科学数据科学
- 精神病学是一个精神病学.
背景情况:
- 脑卒中后抑郁症 (PSD) 是中风后的一个常见并发症.
- 目前对基于机器学习 (ML) 的PSD风险预测模型的证据有限.
- 准确预测PSD对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和评估一种基于优质机器学习 (ML) 的预测模型,用于中国人口中中风后抑郁症 (PSD) 风险.
- 确定与PSD发展相关的关键临床预测因素.
- 解释开发的模型的临床实用性.
主要方法:
- 从507名缺血性中风患者的回顾性数据收集.
- 对于核心预测器选择的 LASSO 回归.
- 开发和比较六个ML算法 (包括XGBoost) 用于PSD风险预测.
- 五重交叉验证用于绩效评估.
- 用于模型解释性的SHAP分析.
主要成果:
- 在31.16%的患者中发生PSD.
- 重要的预测因素包括额叶病变,病变数量,ALB,NIHSS,PSQI和MMSE.
- XGBoost模型表现出优异的性能,AUC为0.941,准确度为0.876,灵敏度为0.822,特异性为0.899,F1得分为0.802,AP为0.858.
- XGBoost的表现优于其他评估的ML模型.
结论:
- XGBoost模型提供了一个准确和可解释的工具,用于使用关键临床指标预测PSD风险.
- 开发的模型显示了临床应用的希望,用于识别有风险的患者.
- 建议进行外部验证,以确认发现的概括性.
