基于代谢学的可解释机器学习模型,用于预测密码性中风中的斑块负担
Zi-Miao Liu1, Yin-Yu Zi1, Xiao-Yu Cheng1
1Department of Neurology, Nanfang Hospital, Southern Medical University, Guangzhou, P.R. China.
概括
一个新的代谢学机器学习模型准确地识别了密码性中风患者的大动脉动脉样硬化 (LAA). 这种方法预测了斑块负担,有助于个人选择预防中风的治疗方法.
科学领域:
- 神经学 神经学
- 代谢学 代谢学 代谢学
- 机器学习 机器学习
背景情况:
- 密码性中风占缺血性中风的很大一部分.
- 许多密码性中风与未被识别的大动脉动脉样硬化 (LAA) 有关,需要针对性的二次预防策略.
研究的目的:
- 开发和验证一种基于代谢学的机器学习模型,用于识别密码性中风患者的LAA.
- 预测这些患者的动脉样硬化斑块负担,以指导治疗决策.
主要方法:
- 在572名急性缺血性中风患者中利用非向性血代谢学.
- 开发了一种两阶段的机器学习模型:第一阶段区分了心血管栓塞 (CE) 和非CE中风;第二阶段将LAA与小血管封闭 (SVO) 分开.
- 集成模型直接预测LAA和预测LAA中的评估斑块负担与其他亚型相比.
主要成果:
- 模型1在区分CE和非CE中风方面取得了高精度 (97.9%) (AUC=0.998).
- 模型2有效地将LAA与SVO区分开来 (AUC=0.949),主要标记物是甲酸盐和2-基酸盐.
- 组合模型预测了LAA的AUC为0.821. 预测LAA的患者表现出明显更高的斑块负担 (23.9%与10.9%) 和更具侵略性的斑块特征.
结论:
- 以代谢学为驱动的机器学习方法可以准确地识别密码性中风中的LAA.
- 该模型预测了动脉样硬化斑块负担,提供了一个新的诊断工具.
- 这种方法可以为密码性中风患者个性化抗血栓治疗选择.
