通过使用可解释的机器学习来确定中风后再入院和死亡的决定因素
Emir Veledar1, Lili Zhou1, Omar Veledar2
1University of Miami Miller School of Medicine, Miami, Florida, United States of America.
PloS one
|September 18, 2025
概括
可解释机器学习 (XML) 模型确定了非临床因素,包括健康的社会驱动因素 (SDOH),作为中风结果的关键预测因素. 整合这些因素可以提高医院后护理和风险识别的预测准确度.
科学领域:
- 使用先进的可解释机器学习 (XML) 方法来进行复杂的健康数据分析.
- 专注于中风护理和患者结果的预测建模.
- 整合临床和非临床因素进行全面的健康评估.
背景情况:
- 脑卒中对全球健康造成重大负担,导致高死亡率和再住院率.
- 传统的统计模型难以处理复杂的,多维的中风后数据.
- 改善医院住院后结果的预测对于医疗保健资源分配至关重要.
研究的目的:
- 定义一个扩展的临床和非临床预测器列表,以确定中风后的结果.
- 利用可解释机器学习 (XML) 模型来增强传统的预测方法.
- 为了提高预测中风幸存者的死亡率和再住院的准确性.
主要方法:
- 评估了11个已建立的XML模型来预测90天死亡率和再住院.
- 分析了1300名中风后个人在关怀中风差异研究 (TCSD-S) 的过渡数据.
- 结合了临床数据 (例如,中风严重程度) 和非临床因素,包括健康的社会驱动因素 (SDOH).
主要成果:
- 确定了38个重要的预测因素,20个是非临床变量 (SDOH,环境,行为).
- 非临床因素显著提高了对中风结果的预测准确性.
- 在缺血性中风患者的二次分析证实了该模型的稳定性和预测性能.
结论:
- 将SDOH,环境和行为因素与临床预测因素相结合,可以提高中风后结果模型的准确性.
- 在中风后的护理过渡期间,解决社会经济差异至关重要.
- XML模型有效地识别各种预测因素,指导恢复,并可能有助于中风前风险识别.
