Машинное обучение улучшает прогнозирование церебральной ишемии после субарахноидального кровоизлияния

Last Updated on 08.12.2020 by Perelomanet

Согласно результатам, опубликованным в Neurology, модели машинного обучения значительно превзошли стандартные модели в прогнозировании отсроченной ишемии головного мозга и функциональных результатов через 3 месяца после субарахноидального кровоизлияния .

«После субарахноидального кровоизлияния (САК) отсроченная церебральная ишемия (DCI) является самым большим фактором плохих функциональных результатов», — писали Джуд П.Дж. Саваррадж , доктор философии, постдокторант по биоинформатике из отделения нейрохирургии Медицинской школы Макговерна, и его коллеги. «Предыдущие исследования показывают, что несколько параметров [электронных медицинских карт], включая анализ лейкоцитов, показатели коагуляции и фибринолиза, уровень глюкозы и натрия в сыворотке, а также показатели жизненно важных функций (включая ЭКГ и АД) либо незначительно, либо сильно связаны с DCI и функциональными результатами. ”

Исследователи предположили, что модели машинного обучения смогут изучить эти ассоциации и точно предсказать DCI и функциональные результаты и превзойти стандартные модели.

Чтобы проверить это, Саваррадж и его коллеги провели ретроспективный анализ результатов среди 451 пациента [женщины, 290; средний возраст 54 года; средний балл по модифицированной шкале Рэнкина (mRS) при выписке = 3; медиана mRS на 3-м месяце = 1], у которых было субарахноидальное кровоизлияние в период с июля 2009 г. по август 2016 г. Они выбрали модель машинного обучения с наилучшей средней площадью под кривой на обучающей выборке, используя 10-кратный подход перекрестной проверки. Модель, которую они использовали, искусственные нейронные сети, продемонстрировала 10-кратную перекрестную проверку AUC 0,78 ± 0,16 на «обучающей выборке», согласно результатам исследования.

Исследователи обучили модели машинного обучения и стандартные модели прогнозированию DCI и функциональных результатов с помощью данных, собранных в течение 3 дней после поступления. Они сравнили прогнозы стандартных моделей с моделью машинного обучения для каждого показателя результата, включая DCI (n = 399), исход при выписке (n = 393) и результат через 3 месяца (n = 240). Группа клинического прогнозирования проспективно предсказала трехмесячный результат для 90 пациентов, которые Саваррадж и его коллеги также сравнили с машинным обучением и стандартными моделями.

Оцените статью
PerelomaNet.ru
Задайте вопрос