用微手术治疗的未破裂内动脉瘤患者的结局集群的预测因素:无监督机器学习分析
Stefan W Koester1, Olga Ciobanu-Caraus1, Anant Naik1
1Department of Neurosurgery, Barrow Neurological Institute, St. Joseph's Hospital and Medical Center, Phoenix, Arizona, USA.
Neurosurgery practice
|January 9, 2026
概括
无监督机器学习确定了三组未破裂的内动脉瘤患者的结果. 血管并发症,而不是动脉瘤特征,预测患者亚组分配和潜在的神经不良结果.
科学领域:
- 神经外科 神经外科
- 数据科学数据科学数据科学
- 医疗信息学 医疗信息学
背景情况:
- 鉴定在未破裂的内动脉瘤治疗后面临不良结果风险的患者至关重要.
- 无监督机器学习提供了一种新的方法,可以根据治疗结果对患者进行分层.
研究的目的:
- 应用无监督的机器学习来识别未破裂的内动脉瘤的微手术治疗后不同的患者结果子组.
- 确定与子组成员身份相关的预测因素.
主要方法:
- 对400名接受微手术治疗未破裂内动脉瘤的患者 (2014-2020年) 的回顾性审查.
- K-意味着集群和统一多重近似和预测 (UMAP) 用于结果子组的识别.
- 多变量回归分析以确定子组成员资格的预测因素.
主要成果:
- 确定了三个不同的患者结局集群.
- 集群1:没有神经缺陷或不良结果. 集群2:在出院时出现新的神经缺陷,没有糟糕的结果. 集群3:新的神经缺陷和糟糕的结果.
- 血管并发症 (糖尿病,高脂血症) 显著预测了最好的结果集群 (集群1) 的非会员.
结论:
- 无监督的机器学习有效地将患者分为临床上有意义的结果组.
- 血管并发症是未破裂的内动脉瘤治疗后患者结果的重要预测因素,超过了动脉瘤特异性特征.
更多相关视频
11:58Minimally Invasive Thumb-sized Pterional Craniotomy for Surgical Clip Ligation of Unruptured Anterior Circulation Aneurysms
Published on: August 11, 2015
16.1K
18:50Microsurgical Clip Obliteration of Middle Cerebral Aneurysm Using Intraoperative Flow Assessment
Published on: September 25, 2009
14.0K
