基于可解释机器学习技术的自发脑内出血患者入院后180天GOS的预测
Cuijie Yuan1, Mengyao Wang1, Yafang Jiang2
1Department of Neurosurgery, The Quzhou Affiliated Hospital of Wenzhou Medical University (Quzhou People's Hospital), Quzhou, China.
Medicine
|November 27, 2025
概括
机器学习模型准确地预测了自发性脑内出血 (SICH) 患者的结果. 血小板数和出血位置等关键因素指导临床决策.
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:
- 有效的结果预测对于管理自发性脑内出血 (SICH) 是至关重要的.
- 目前的预后工具可能无法完全捕捉到SICH患者结果的复杂性.
- 机器学习为提高预测准确性提供了潜力.
研究的目的:
- 开发和验证机器学习模型,用于预测SICH患者180天格拉斯哥结局量表 (GOS) 的得分.
- 确定影响SICH患者结果的关键临床和放射学因素.
- 在结果预测中评估各种机器学习算法的性能.
主要方法:
- 使用渐变增强决策树 (GBDT),XGBoost,随机森林 (RF) 和轻GBM算法开发预测模型.
- 使用支持矢量机-递归特征消除 (SVM-RFE) 和LASSO进行的特征选择.
- 模型性能使用AUROC,AUPRC,精度,F1得分,精度,回忆,灵敏度和特异性等指标进行评估.
- 用于模型解释的可解释AI方法 (SHAP,LIME).
主要成果:
- GBDT模型在内部和外部验证队列中展示了强大而稳定的预测性能.
- GOS评分的关键预测因素包括血小板计数,血清水平和出血位置 (左,右,右表皮叶).
- GBDT模型实现了高性能指标,包括内部测试组中的AUROC为0.865±0.069,外部测试组中的AUROC为0.785.
结论:
- 开发的GBDT模型显示了在SICH患者中准确预测结果的巨大潜力.
- 鉴定的关键预后因素可以帮助临床医生进行风险分层和个性化治疗策略.
- 机器学习模型,特别是GBDT,为增强SICH管理中的临床决策提供了有价值的工具.
