开发和内部验证多式机器学习模型,用于预测可疑中风患者机械血栓切除术的资格,使用例行收集的临床和成像数据

科学领域:

• 神经学 神经学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 机械血栓切除术 (MT) 对急性缺血性中风 (AIS) 患者至关重要,但资格评估是复杂的.
• 常常需要CT输液 (CTP) 等高级成像,但访问可能是有限的.
• 机器学习 (ML) 模型使用常规收集的数据提供了潜在的解决方案.

研究的目的:

• 开发和评估ML模型,以预测AIS患者的MT资格.
• 确定常规的临床和成像数据 (NCCT,CTA) 是否足以预测MT的资格.
• 提高MT患者选择的速度和效率.

主要方法:

• 追溯收集了260名AIS患者的数据,包括年龄,NIHSS,LKWT,NCCT和CTA报告.
• 开发两个梯度增强机模型:MODEL1 (临床+NCCT数据) 和MODEL2 (MODEL1+LVOa状态).
• 在测试集上对模型的验证,以评估MT资格的预测性能.

主要成果:

• 模型2的AUC为0.92,具有82.5%的灵敏度和82%的特异性来预测MT资格.
• 模型1的AUC为0.76,敏感度为85%,特异性为60%.
• 这些模型表明,NCCT,可能与CTA一起,可以有效地用于MT资格评估.

结论:

• ML模型可以使用现有的临床和成像数据准确预测MT资格.
• 对于MT资格的确定,NCCT和CTA可能足够,减少对CTP的依赖.
• 这些模型可以加快患者选择和转诊机械血栓切除术,改善结果.