[在急性中风1年后,基于机器学习的预测模型的构建和外部验证]
Wenkao Zhou1, Fangli Zhao1, Xingqiang Qiu1
1Department of Emergency, Xiang'an Hospital of Xiamen University, Xiamen 361100, Fujian, China.
Zhonghua wei zhong bing ji jiu yi xue
|August 17, 2025
概括
这项研究确定了后勤回归作为预测中风后 (PSE) 的最佳机器学习算法. 一个使用关键预测因子的验证的诺莫格拉姆模型准确地预测了急性中风患者的二次风险.
科学领域:
- 神经学 神经学
- 机器学习在医学中的应用
- 发病学 (Epileptology) 是一个专业的学科.
背景情况:
- 脑卒中后 (PSE) 是急性中风后的常见并发症,增加了发病率和死亡率.
- 准确预测PSE对于及时干预和改善患者结果至关重要.
- 机器学习为开发复杂神经疾病的预测模型提供了潜力.
研究的目的:
- 确定最佳的机器学习算法,在一年内预测中风后 (PSE).
- 为准确的PSE预测开发和外部验证一个名ogram模型.
- 增强二次性风险患者的临床决策能力.
主要方法:
- 对870名急性中风患者进行后续分析,用于模型开发和435人用于外部验证.
- 评估了九个机器学习算法,根据AUC选择了逻辑回归作为最佳.
- 使用通过后勤回归分析识别的10个关键预测因素构建一个名ogram模型.
主要成果:
- 在模型组中,物流回归实现了最高的预测性能 (AUC=0.923).
- PSE的独立预测因素包括白细胞计数,高密度脂蛋白,纤维素,乳酸和大脑.
- 经过验证的名录模型表现出强大的区分能力 (AUC=0.908在模型组,0.864在验证组).
结论:
- 一个基于后勤回归的诺莫格拉姆模型有效预测中风后风险.
- 该模型表现出强大的通用性和临床适用性,用于识别有风险的患者.
- 这种工具可以帮助针对急性中风幸存者的个性化风险评估和管理策略.
