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。

抽象的

背景和目的

来自江等人的人物
XGB预测模型的接收器操作特性(ROCS)具有临床特征,成像特征,临床和成像特征,最佳性能,以及用于预测90天的SCRES的SPAN-100>2.对于所有患者和重新制定和非调用患者,具有表现最佳特征的模型的AUC均高于SPAN-100中的模型,并且在总和非体外群体中达到统计学意义。用于总队列和重算和非体育组中的6个具有6个最佳性能的机器学习模型的AUC分别为0.80,0.79和0.82。跨度100的AUC分别为0.78,0.76和0.78。具有最佳功能的XGB模型的AUC均高于SPAN-100中的模型,并为总队列达到统计学意义(P <.05)和非传记患者(P <.001)。在重新计算的群体中,差异并不重要(P = .05).

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
jross.
杰弗里罗斯 •Mayo Clinic,Phoenix

Jeffrey S. Ross博士是梅奥诊所医学院放射学教授,并在亚利桑那州凤凰城的梅奥诊所做了神经产物。他的出版物包括超过100个同行评审的文章,近60篇非裁决条款,33章,10本书。他是2006 - 2015年的AJNR高级编辑,是3个其他期刊的编辑委员会的成员,以及10个期刊的手稿审稿人。他于2015年7月成为AJNR的主编。他于2013年收到了ASSR的金牌奖。

发表评论

通过电子邮件通知我后续评论。你也可以 订阅 without commenting.