一种可解释的机器学习模型,用于预测创伤后急性扩散脑胀后的神经早期恶化

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 创伤外科 手术 创伤外科

背景情况:

• 扩散性脑胀 (DBS) 是创伤性脑损伤后内高血压和早期神经恶化 (END) 的主要原因.
• 准确预测END对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测创伤性DBS的成年患者的END.
• 在这个患者群体中确定END的关键预测因素.

主要方法:

• 追溯收集208名患有创伤性DBS的成年患者的临床数据.
• 使用回归分析识别END预测因素.
• 训练和评估六个ML算法,包括极端梯度提升,使用AUROC,Brier分数和决策曲线分析.
• 在单独的队列中进行内部交叉验证和外部验证.
• 使用Shapley添加式解释解释最佳模型的解释.

主要成果:

• 脑内脏病的发病率为38.0% (79名患者).
• END的关键预测因素包括皮肤下流血,严重的创伤性脑下流血,血红蛋白和纤维素素水平.
• 极端梯度增强模型表现出卓越的性能,AUROC为0.879,校准优异,具有临床实用性.
• 该模型在内部交叉验证和外部验证队列中显示出良好的通用性.

结论:

• 开发的ML模型显示了在创伤性DBS患者中准确预测END的显著临床潜力.
• 在广泛临床实施之前,建议进行进一步的多中心外部验证.