使用机器学习模型和交互式 Web 应用程序,在动脉瘤下关节出血后早期预测大脑血管
Maria Gollwitzer1,2, Vanessa Mazanec1,2, Markus Steindl3
1Department of Neurosurgery, Kepler University Hospital, 4020 Linz, Austria.
Brain sciences
|November 27, 2025
概括
在动脉瘤下arachnoid出血 (aSAH) 后预测大脑血管是至关重要的. 使用常规临床数据的机器学习模型可以可靠地预测血管,帮助及时干预以获得更好的患者结果.
科学领域:
- 神经学 神经学
- 神经外科 神经外科
- 医疗信息学 医疗信息学
背景情况:
- 大脑血管是神经瘤下关节出血 (aSAH) 后的一个显著并发症,导致大脑缺血延迟 (DCI) 和神经系统不良结果.
- 由于血管的复杂病因,早期预测具有挑战性,但对于有效的患者管理和及时的治疗干预至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于在aSAH患者中早期预测脑血管.
- 通过使用例行收集的患者数据,识别血管的关键临床和成像预测因素.
主要方法:
- 对345名血管学确认的aSAH患者进行了回顾性分析.
- 提取人口统计学,临床 (亨特和赫斯等级,费舍尔尺度) 和治疗 (外腔室排水 - EVD) 参数.
- 培训和评估七个监督的ML模型,包括后勤回归和梯度增强树,使用嵌套交叉验证.
主要成果:
- 超过50%的aSAH患者经历了中度至重度的血管.
- 血管的独立预测因素包括年轻的年龄,较高的亨特和赫斯和费舍尔等级,以及EVD放置 (p < 0.001).
- 后勤回归证明了最好的歧视 (AUC-ROC 0.723),而基于树的模型提供了更高的灵敏度 (0.867). 动脉瘤病因增加了血管的风险 (OR 4.72).
结论:
- 常规可用的临床和成像数据足以用于可靠的基于ML的血管预测aSAH后.
- 后勤回归提供了准确性和可解释性的平衡,而基于树的模型优先考虑血管预测的灵敏度.
- 使用常规数据的可解释的ML工具可以支持床边血管的预测,从而保证未来的验证.
