开发和验证基于机器学习的风险预测模型,用于中风后认知障碍

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 脑卒中后认知障碍 (PSCI) 影响了大量的中风幸存者.
• 目前用于预测PSCI的机器学习 (ML) 模型需要针对临床实用性进行优化.
• 早期和准确的PSCI预测对于及时干预和改善患者预后至关重要.

研究的目的:

• 在中国人口中开发和验证基于ML的可靠PSCI预测模型.
• 确定与急性缺血性中风 (AIS) 后PSCI发展相关的显著临床预测因素.
• 为了比较各种ML算法的性能来预测PSCI.

主要方法:

• 收集了494名AIS患者的数据,使用MMSE或MOCA得分评估认知功能.
• 最小绝对收缩和选择运算符 (LASSO) 和逻辑回归 (LR) 用于从49个临床参数中选择特征.
• 七个ML模型,包括XGBoost,使用十倍交叉验证进行了训练和验证,并评估了AUROC,准确性和F1分数等性能指标.

主要成果:

• 在研究的AIS患者中,58.50%的PSCI存在.
• 确定PSCI的关键预测因素包括年龄,NIHSS,HAMD-24,PSQI,ALB,FBG,高血压,副腹腔病变和病变数量.
• XGBoost 模型实现了最高的 AUROC 0.980,超过了其他评估的 ML 模型.

结论:

• 开发的XGBoost模型在预测中风后3-6个月的PSCI方面表现出高准确度.
• 该模型有效地利用已识别的临床预测因素来识别患有认知障碍风险的患者.
• 这种ML工具有助于早期识别有风险的个体,为及时的临床干预和管理策略铺平道路.