基于机器学习预测老年患者中卒中后抑郁风险:综合神经成像和心理社会变量的一项回顾性队列研究
Liangjin Zhang1, Ping Yu1, Liu Yang1
1Department of Neurology, Xiangyang Central Hospital, Affiliated Hospital of Hubei University of Arts and Science, Xiangyang, Hubei, 441021, People's Republic of China.
Neuropsychiatric disease and treatment
|March 2, 2026
概括
这项研究开发了一种机器学习模型,用于预测老年患者中风后抑郁症 (PSD). 后勤回归模型准确地识别了高风险个体,用于个性化预防策略.
科学领域:
- 神经学 神经学
- 机器学习 机器学习
- 老年病的医生 老年病的医生
背景情况:
- 脑卒中后抑郁症 (PSD) 是老年脑卒中幸存者的常见并发症.
- 准确预测PSD对于及时有效的干预至关重要.
- 整合多样化的患者数据可以增强预测建模.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于预测老年中风患者的PSD风险.
- 通过纳入神经成像和心理社会因素来提高PSD预测的准确性.
- 促进针对PSD的个性化预防策略.
主要方法:
- 对691名老年中风患者进行了回顾性队列研究.
- 数据包括临床信息,神经成像特征 (损伤体积,CMB) 和心理社会评分 (SSRS,HAMA-14,HAMD-17).
- 评估了7个ML模型,使用最佳模型创建一个名ogram.
主要成果:
- 逻辑回归 (LR) 模型在测试组中实现了0.88的AUC.
- 确定了PSD的7个独立预测因素:NIHSS得分,病变体积,CMB数,DWI范围,Fazekas等级,SSRS得分和HAMA-14得分.
- 来自LR的诺米图表显示了良好的校准和PSD的有效歧视.
结论:
- 开发的7个预测因素的LR模型对于预测老年人PSD的准确和稳定.
- 诺米图有助于早期识别高风险患者,支持个性化干预.
- 建议进行多中心验证,以确认由于单中心局限性的发现.
