对于中风后脑心综合征的基于机器学习的预测模型:风险分层研究

科学领域:

• 神经学 神经学
• 心脏病学 心脏病学
• 人工智能的人工智能

背景情况:

• 大脑心脏综合征 (CCS) 是缺血性中风的严重并发症.
• 早期预测CCS对于管理不良结果至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测缺血性中风患者的CCS.
• 通过使用ML解释性技术,识别CCS的关键预测因素.

主要方法:

• 对511名缺血性中风患者的回顾性分析.
• 开发和比较五个ML模型 (物流回归,随机森林,SVM,XGBoost,DNN).
• 使用AUC,准确性,精度,回忆,F1得分和校准指标 (霍斯默-莱梅肖,布里尔得分) 评估模型性能.

主要成果:

• XGBoost表现出最高的歧视 (AUC 0.879),紧随其后的是随机森林 (AUC 0.866).
• SVM和随机森林显示了最佳的校准.
• 发现的关键预测因素包括D-二聚合物,ACEI/ARB使用,HbA1c,C反应蛋白和前列血栓时间.

结论:

• ML模型可以准确地预测缺血性中风患者早期的CCS.
• XGBoost提供了卓越的预测歧视,而SVM和随机森林提供了更好的校准.
• 整合这些ML模型可以改善风险分层,并指导CCS的预防策略.