抽象的
背景和目的
传统的统计模型和预处理评分系统已被用于预测急性缺血性卒中患者（AIS）的结果。我们的目标是根据急性缺血性卒中患者的机器学习算法选择最相关的特征，并使用年龄和国家健康冲程量表（跨度） -100）索引模型。
材料和方法
急性缺血卒中患者的回顾性多中心队列细分为重新定义和非体育患者。极端梯度提升机学习模型是建立了使用临床，成像，组合和最佳功能的90天预测MRS得分。使用模型中发生的相对权重和频率来执行特征选择。使用最佳性能的模型与使用接收器操作曲线分析下的区域的SPAN-100索引模型进行比较。
结果
在3组患者中，基线NIHSS是所有参数中最重要的预测因子，相对重量为0.36~0.69; CTP上的缺血性核心体积排名为最重要的成像生物标志物，相对重量为0.29~0.47。具有最佳功能的模型比其他机器学习模型具有更好的性能。具有最佳性能的模型曲线下的区域高于300级模型，并为总数达到统计学意义（P <.05）和非传记患者（P < .001).
结论
基于机器学习的特征选择可以识别结果预测性能更高的参数。机器学习模型具有最佳性能的特征，特别是先进的CTP数据，与跨度-100相比，对入学患者的恢复结果预测具有卓越的性能。
阅读本文： //bit.ly/3cqVN3F
大血管急性缺血性脑卒中患者临床结果预测：机器学习的性能与SPAN-100
编辑’s Choice
基于机器学习的特征选择可以识别结果预测性能更高的参数。