开发基于机器学习的模型,用于预测中风患者的肉症风险,并分析相关因素
Jianxiang Wang1,2, Maorong Mu1,2, Jiayue Zhang1,2
1School of Nursing, Kunming medical university, Kunming, 650500, Yunnan, China.
Scientific reports
|December 8, 2025
概括
机器学习模型有效预测中风患者的肉症风险. 关键预测因素包括BMI,白蛋白和年龄,使个性化老年护理成为可能.
科学领域:
- 老年医学 老年医学
- 神经学 神经学
- 人工智能的人工智能
背景情况:
- 标志着肌肉质量损失的萨科佩尼亚在中风幸存者中普遍存在.
- 早期识别肉类风险对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测中风患者的肉症风险.
- 通过使用ML和可解释性技术,确定与中风后肉症相关的关键临床特征.
主要方法:
- 对425名中风患者的前性研究,数据分为培训 (n=308) 和验证 (n=117) 队列.
- 通过随机森林选择特征;开发和评估五个ML模型 (逻辑回归,决策树,随机森林, naive Bayes,梯度增强).
- 沙普利添加式解释 (SHAP) 用于模型解释性以确定显著的预测因素.
主要成果:
- 在425名患者中,有145名患者 (34.1%) 被诊断为肉类.
- 随机森林模型在所有评估指标 (准确性,回忆,精度,F1分数,AUC) 中实现了最高的预测性能.
- SHAP分析发现BMI,血清白蛋白,年龄,尿酸,肌,血红蛋白,,甘油三,C反应蛋白,总蛋白和尿素是最有影响力的预测因素.
结论:
- 开发的随机森林模型在预测中风后的肉症风险方面表现优异.
- 将ML与SHAP整合在一起,为早期发现和个性化管理中风后的肉症提供了一个强大的,可解释的框架.
- 这种方法支持精确的老年护理,通过为风风险的中风幸存者提供量身定制的干预.
