开发和验证一种机器学习模型,用于预测最近患有小皮下心脏病发作的患者的功能结果
Hongbing Liu1, Ying Yao2, Ce Zong1
1From the Department of Neurology, the First Affiliated Hospital of Zhengzhou University, Zhengzhou, Henan Province 450001, China.
International journal of medical informatics
|December 28, 2025
概括
一个新的机器学习模型准确地预测了近期小皮下心脏病发作 (RSSI) 患者的不良功能结果. 这种CatBoost模型使用了八个可访问的功能,用于早期风险分层和个性化患者管理.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物统计学 生物统计学
背景情况:
- 最近的小皮下心脏病发作 (RSSI) 经常导致3个月后功能表现不佳.
- 现有的预后因素对RSI患者的预测建模具有局限性.
研究的目的:
- 开发和验证用于预测RSI患者3个月功能状态的机器学习模型.
- 在这个人群中确定功能结果的关键预测因素.
主要方法:
- 1576名RSSI患者在多个中心注册.
- 一个最小绝对收缩和选择操作员 (LASSO) 的逻辑回归确定了预测特征.
- 训练和验证了八种监督机器学习模型,通过AUC,校准曲线和决策曲线分析 (DCA) 评估性能.
主要成果:
- CatBoost模型在训练和验证队列中表现出优异的预测性能,AUC值高 (分别为0.961,0.940,0.875).
- 确定的主要预测因素包括NIHSS得分,近位RSSI (pRSSI),葡萄糖,压力高血糖比率 (SHR),中性粒细胞与淋巴细胞比率 (NLR),年龄,静态血压 (SBP) 和LDL-C.
- SHAP分析证实NIHSS得分是最重要的预测因素.
结论:
- 一个强大的CatBoost机器学习模型使用八个可访问的功能准确地预测RSSI患者的3个月功能结果.
- 该模型的性能优于其他算法,可通过Web应用程序进行临床风险分层和个性化管理.
