相关实验视频
Updated: Jan 9, 2026
09:42
A Fibrin-Enriched and tPA-Sensitive Photothrombotic Stroke Model
Published on: June 4, 2021
3.3K
影响中风严重性的因素基于附带循环,临床标记和机器学习
1Department of Applied Statistics, National Taichung University of Science and Technology, Taichung 404336, Taiwan.
Diagnostics (Basel, Switzerland)
|December 11, 2025
概括
脑中风的严重程度受到附带循环和脑中风横向性的显著影响. 机器学习模型,特别是以树为基础的合奏,使用临床和成像数据准确预测中风严重程度,帮助个性化患者护理.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 脑卒中是导致残疾的主要原因,严重程度因多种因素而异.
- 了解中风严重程度的决定因素对于患者的治疗结果和治疗计划至关重要.
- 附带循环在中风严重程度方面起着重要的,但往往未被充分研究的作用.
研究的目的:
- 识别和分析影响中风严重程度的关键变量.
- 调查附带循环在确定中风严重性的特定作用.
- 评估机器学习模型对中风严重性的预测性能.
主要方法:
- 对临床 (SBP,FPG,BUN),成像 (两侧侧流,单侧双侧中风) 和生化数据的分析.
- 应用统计测试 (基平方,曼-惠特尼U) 进行群组比较.
- 使用SMOTE进行类不平衡,然后对后勤回归,随机森林,XGBoost和SVM模型进行交叉验证.
主要成果:
- 减少或不存在的双边附带流和单边双边中风与严重程度的增加密切相关 (p < 0.001).
- 系统性血压 (SBP) 和禁食血葡萄糖 (FPG) 与中风严重程度有显著的关联.
- 在SMOTE平衡数据上训练的随机森林和XGBoost模型显示出高预测准确度 (分别为83.3%和80.2%).
结论:
- 附带状态和中风横向性是中风严重程度的主要决定因素.
- SBP和FPG提供了额外的预后价值,而BUN是边界显著.
- 使用SMOTE进行训练的基于树的组合模型为风险分层和个性化护理规划提供可靠的中风严重程度预测.
