评估基于临床变量进行中风预测的机器学习模型
Patrick O Akinwumi1, Stephen Ojo2, Thomas I Nathaniel3
1College of Education, Clemson University, Clemson, SC, United States.
Frontiers in neurology
|September 29, 2025
概括
机器学习模型对预测中风风险充满希望,后勤回归和梯度提升实现了高精度. 然而,识别罕见的中风病例仍然是一个挑战,表明需要进一步研究.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算流行病学计算流行病学
- 公共卫生 公共卫生
背景情况:
- 在全球范围内,中风是导致死亡和残疾的主要原因.
- 现有的中风风险预测模型在处理复杂数据方面存在局限性.
- 机器学习 (ML) 为个性化风险评估提供了高级功能.
研究的目的:
- 评估5个监督的ML算法的性能,以预测中风风险.
- 通过基于ML的特征重要性分析来识别中风的关键预测因素.
- 将ML模型与传统风险评估方法进行比较.
主要方法:
- 利用公开的Kaggle数据集进行中风预测.
- 实现并比较了后勤回归,随机森林,梯度提升,SVM和KNN算法.
- 应用了类失衡校正,并使用准确度,ROC-AUC和混矩阵评估模型.
主要成果:
- 后勤回归和梯度提升显示了最高的准确性 (95.11%) 和ROC-AUC (0.836).
- 所有模型都表现出很低的回忆力来识别罕见的中风病例.
- 年龄,平均葡萄糖水平和BMI被确定为重要的中风预测因素.
结论:
- 机器学习模型显示了提高中风风险预测准确性的潜力.
- 目前的ML方法在检测罕见的中风发生时面临挑战.
- 未来的研究应该专注于多模式数据和先进的算法,以提高临床效用.
