机器学习能否改善对中风后上肢恢复的早期预测?

科学领域:

• 神经学 神经学
• 医疗保健中的机器学习
• 康复医学 康复医学 康复医学

背景情况:

• 在中风后早期预测上肢恢复对于优化康复和患者咨询至关重要.
• 恢复的个体间变化对准确的预后构成了重大挑战.
• 当前的预测方法往往缺乏个性化治疗计划所需的精度.

研究的目的:

• 开发和验证一种机器学习模型,用于预测中风后六个月使用早期临床数据的手臂和手的能力.
• 将开发的机器学习模型的性能与传统的混合效应模型进行比较.
• 共同设计一个用户友好的模型输出的可视化,并为实际应用提供临床输入.

主要方法:

• 利用了451名缺血性中风患者的数据,重点关注行动研究手臂测试 (ARAT) 评分,肩部绑架和指部伸展.
• 使用这些临床变量训练了一个XGBoost模型,结合5倍,5重复交叉验证和引导聚合来进行可概括的预测.
• 在持有集上验证了模型,并将其准确性 (中位数绝对误差) 与混合效应模型进行了比较.

主要成果:

• XGBoost模型表现出卓越的性能,在中风后的七天内,在ARAT上达到4.2点的中位数绝对误差 (MedAE).
• 与混合效应模型相比,这代表了69%的误差减少,混合效应模型的MedAE为13.7分.
• 该模型提供了预测间隔,以量化预测中的不确定性.

结论:

• 开发的XGBoost模型为中风后上肢恢复提供了更准确的预测.
• 它的可解释性,易用性和依赖常规临床数据使其适合集成到数字临床工作流中.
• 未来的研究应该专注于在更大的队列中验证这个模型,并探索神经成像和时间数据的整合,以提高预测.