基于机器学习模型的血栓溶解后出血变化的预测,结合血小板分布宽度-计数比率

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 血液转化 (HT) 是急性缺血性中风 (AIS) 静脉输血栓溶解 (IVT) 后的常见并发症.
• 在接受IVT的AIS患者中预测HT风险仍然具有挑战性,因为缺乏有效的工具.

研究的目的:

• 开发一种可解释的机器学习 (ML) 模型,用于在IVT后的AIS患者中预测HT.
• 将血小板分布宽度与血小板计数比率 (PPR) 纳入预测模型.

主要方法:

• 四个ML模型 (逻辑回归,随机森林,SVM,Xgboost) 经过5倍交叉验证进行训练和验证.
• 最小绝对收缩和选择运算符 (LASSO) 回归被用于特征选择.
• 用AUC,精度,灵敏度,特异性和F-score来评估模型性能.

主要成果:

• 拉索确定了六个关键预测因素:年龄,糖尿病,恶性瘤,治疗开始时间 (OTT),基线NIHSS得分和PPR.
• 物流回归 (LR) 实现了最高的预测性能,AUC为0.919.
• 特性重要性排名基线NIHSS得分,糖尿病和PPR在LR模型中最高.

结论:

• 一个基于LR的模型,包括PPR,准确地预测了IVT后AIS患者的HT风险.
• 该模型为临床医生提供了一种快速可靠的工具,以评估血栓溶解出血风险.
• 这些发现支持IVT接受AIS患者改善治疗决策.