使用可解释的机器学习模型预测急性缺血性中风中的早期消化不良

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 缺食症是急性缺血性中风 (AIS) 后的一个常见并发症.
• 早期检测食障碍对于患者的治疗结果和预防并发症至关重要.
• 预测模型可以帮助临床医生识别有风险的患者.

研究的目的:

• 在AIS患者中确定早期失消症的关键风险因素.
• 开发一种可解释的机器学习 (ML) 模型来预测缺食症.
• 评估各种ML模型在预测缺食症方面的表现.

主要方法:

• 一项横截面研究包括1041名AIS患者.
• 使用Boruta算法和后勤回归来选择特征.
• 六个ML模型经过训练并使用10倍交叉验证进行评估,其性能指标包括AUC-ROC,灵敏度和特异性.

主要成果:

• 在AIS患者中,早期食障碍的发生率为29.3%.
• 随机森林 (RF) 模型实现了最高的性能 (AUC-ROC:0.952).
• 重要的预测因素包括ADL等级,NIHSS得分,多焦点病变,低albuminemia,冠心病和病变半球.

结论:

• 机器学习模型,特别是射频模型,显示出有希望的可靠工具,用于预测AIS.
• 开发的模型可以帮助临床医生进行早期风险评估和个性化治疗规划.
• 可解释AI (SHAP分析) 提供了对已识别的风险因素的洞察.