一个基于机器学习的预测性名图,用于急性缺血性中风中血栓溶解后早期的神经改善

科学领域:

• 神经学 神经学
• 生物化学 生物化学
• 数据科学数据科学数据科学

背景情况:

• 早期神经改善 (ENI) 是急性缺血性中风 (AIS) 患者的关键预后指标.
• 用复合组织等离子体激活剂 (rt-PA) 进行静脉血栓溶解是AIS的标准治疗方法.
• 预测ENI对于优化治疗和改善患者的治疗结果至关重要.

研究的目的:

• 开发和验证基于机器学习 (ML) 的模型,用于预测接受rt-PA治疗的AIS患者的ENI.
• 确定ENI的关键临床和生化预测因素.
• 为个性化治疗策略和增强临床决策创造一个工具.

主要方法:

• 对217名AIS患者 (97名ENI,120名非ENI) 的临床数据进行了回顾性分析.
• 实施和评估四个ML算法:多层感知器 (MLP),随机森林 (RF),支持矢量机 (SVM) 和XGBoost.
• 通过特征交叉和物流回归建模识别关键预测因素,然后进行名ogram可视化.

主要成果:

• 在试验组中,MLP模型实现了最高的预测性能,AUC为0.77.
• 六个重叠的参数被确定为核心预测因素:APTT,ALT/AST比,ONT,MCHC,体重和NLR.
• 后勤回归模型和名图显示出强大的区分能力 (C指数:0.817) 来预测ENI.

结论:

• 一个基于ML的模型通过整合关键的临床和生化标志物,有效地预测rt-PA治疗的AIS患者的ENI.
• 开发的模型可以优化个性化治疗策略,改善临床决策.
• 该模型的应用有可能改善患者在AIS管理中的结果.