一个机器学习模型通过整合多式EEG-fMRI和临床生物标志物来预测中风后风险
Ze Wang1, Huanhuan Liu1, Teng Ma1
1Department of Neurology II, Qingdao Traditional Chinese Medicine Hospital, Qingdao Hiser Hospital Affiliated to Qingdao University, Qingdao, Shandong, China.
Frontiers in neurology
|March 5, 2026
概括
整合EEG-fMRI和临床数据的机器学习模型准确地预测了中风后 (PSE) 风险. 关键预测指标包括型出血频率,NIHSS得分和病变体积,用于早期患者鉴定.
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:
- 脑卒中后 (PSE) 对患者的康复和生活质量构成重大风险.
- 早期识别高风险个体对于及时干预和管理至关重要.
研究的目的:
- 开发和验证用于预测PSE风险的机器学习模型.
- 整合多模式数据,包括EEG-fMRI和临床生物标志物,以提高预测准确度.
- 提供一个定量工具,用于早期识别患有PSE高风险的患者.
主要方法:
- 365名急性中风患者的回顾性分析,分为培训 (n=256) 和验证 (n=109) 组.
- 使用单变量分析和LASSO回归进行特征选择,随后进行多变量逻辑回归以确定独立的风险因素.
- 使用Python开发和评估机器学习模型 (随机森林,SVM,梯度提升),通过AUC,校准曲线和DCA进行评估.
- 用于风险可视化和SHAP值的模型可解释性.
主要成果:
- 发性泄漏频率 (EDF),背景EEG三角波比率 (BEDWR),中风病变体积 (SLV),NIHSS得分和血清NSE被确定为独立的PSE风险因素.
- 随机森林 (RF) 模型实现了优异的预测性能,AUC为0.892 (培训) 和0.731 (验证).
- SHAP分析证实EDF,NIHSS得分和SLV是PSE风险的主要积极贡献者.
结论:
- 综合多式联络数据的随机森林模型有效预测中风后风险.
- 确定的主要预测指标包括EDF,NIHSS得分,SLV,BEDWR和血清NSE.
- 开发的模型为早期的PSE风险分层提供了一种定量方法.
