可解释的机器学习用于预测症状性内动脉缩缩症症状性内动脉缩症的早期神经恶化

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:

• 症状性内动脉样硬化狭窄症 (SICAS) 构成早期神经系统恶化的风险 (END).
• 准确预测END对于SICAS患者的及时干预至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测症状性内动脉缩狭窄症 (SICAS) 患者早期神经衰竭 (END) 风险.

主要方法:

• 分析了557名SICAS患者的回顾性队列.
• 最小绝对收缩和选择运算符 (LASSO) 回归确定了预测特征.
• 五个ML算法 (XGBoost,GNB,GBDT,LightGBM,LR) 使用十倍交叉验证进行了训练和验证.
• 模型性能使用AUC,校准和DCA进行评估;SHAP分析了特征贡献.

主要成果:

• 总体而言,END的发病率为18.13%.
• XGBoost模型表现出卓越的性能,验证AUC为0.874,灵敏度为0.749,特异性为0.859.
• 关键预测因素包括NIHSS得分,狭窄症的严重程度,三甘油糖 (TyG) 指数,年龄,SBP和糖尿病.

结论:

• 机器学习模型,特别是XGBoost,显示出在SICAS患者中预测END的巨大潜力.
• SHAP分析提高了模型的解释性,为早期识别高风险患者提供了实用工具.