基于Web的机器学习模型的开发和验证,用于预测中风血栓溶解后的神经系统早期恶化:多中心研究
Juan Li1, Huanxian Chang2, Shouyun Du3
1The Neurology Department, Lianyungang Clinical College of Nanjing Medical University, The First People's Hospital of Lianyungang, No. 182 Tongguan North Road, Jiangsu, Lianyungang, 222001, China, 86 18961326515.
Journal of medical Internet research
|December 10, 2025
概括
一个新的机器学习模型,ENDRAS,准确地预测了接受血栓溶解的急性缺血性中风患者早期的神经系统恶化. 这种工具可以实现个性化的风险分层和优化护理,从而有可能改善患者的治疗结果.
科学领域:
- 神经学 神经学
- 人工智能在医学中的应用
- 临床决策支持 临床决策支持
背景情况:
- 早期神经系统恶化 (END) 是急性缺血性中风 (AIS) 患者的重要并发症,患者接受静脉输血栓溶解治疗.
- 目前的方法在识别需要加强监测和干预的高风险患者方面缺乏可靠性.
研究的目的:
- 开发和验证一种高性能机器学习模型,用于预测AIS患者血栓分析后的END.
- 实现个性化,风险分层的管理策略,以改善患者护理.
主要方法:
- 一项涉及1927年AIS患者的多中心研究,这些患者接受了静脉输血栓溶解治疗.
- 使用6个临床变量和XGBoost算法开发早期神经恶化风险评估得分 (ENDRAS).
- 使用AUC,准确性,精度,回忆和F1分数对模型预测性能进行内部和外部验证.
主要成果:
- 基于XGBoost的ENDRAS显示了高预测性能 (AUC=0.988) 使用现有的临床参数.
- 建立了一个双通道管理协议,将患者分为低风险 (<29%) 和高风险 (≥29%) 组.
- 作为一个基于网络的计算器实施的ENDRAS,提供实时临床决策支持与快速计算 (<0.02秒).
结论:
- 恩德拉斯将恩德预测纳入可操作的临床途径中,通过个性化监测和干预来增强血栓溶解后护理.
- 该模型的强大的性能,效率和结构化的管理框架解决了中风护理和资源利用的关键挑战.
- 建议进行进一步的前性验证,但ENDRAS显示有可能通过早期识别高风险个体来显著改善AIS患者的结果.
