典型文献
基于机器学习预测血糖异常急性缺血性卒中患者预后模型研究
文献摘要：
目的 建立基于机器学习的血糖异常急性缺血性卒中患者的预后预测模型,比较传统logistic模型与机器学习模型的预测效能.方法 以中国国家卒中登记研究Ⅲ(China national stroke registration studyⅢ,CNSR-Ⅲ)血糖异常急性缺血性卒中患者为研究对象,采用病例报告表收集患者的人口学信息、既往病史、实验室检查、头颅影像学检查、卒中病因分型等临床资料.采用分层10折交叉验证划分训练集(3325例)和测试集(369例),基于随机森林、梯度提升决策树(gradient boosted decision trees,GBDT)、极致梯度提升(eXtreme Gradient Boosting,XGBoost)等机器学习方法和传统logistic回归方法构建3个月功能预后不良(mRS≥3分)的预测模型.采用ROC的AUC评价效度,Brier分数评价校准度,同时综合F1分数、准确率、灵敏度及特异度等指标评价不同模型的预测效果.结果 共纳入3694例血糖异常的急性缺血性卒中患者,平均年龄62.4±10.4岁,男性2408例(65.2％),3个月预后不良585例(15.8％).logistic回归、随机森林、GBDT和XGBoost模型预测患者3个月预后不良的AUC分别为0.843(0.814～0.872)、0.847(0.823～0.871)、0.845(0.819～0.871)、0.848(0.820～0.876),灵敏度分别为0.373(0.340～0.405)、0.679(0.629～0.728)、0.426(0.383～0.468)、0.634(0.583～0.686).机器学习模型的AUC有高于logistic回归模型的趋势,但差异没有统计学意义,机器学习模型的灵敏度较传统logistic回归模型好(均P<0.05),所有模型的Brier分数提示校准度均良好(0.094～0.138).结论 传统logistic回归模型与机器学习模型对血糖异常的急性缺血性卒中患者3个月预后不良均有较高的预测价值,且区分度没有显著差异.本研究结果有待应用于更大样本量的队列进行验证.
文献关键词：
缺血性卒中;功能预后;机器学习;预测模型
中图分类号：
作者姓名：
杨佳蕾;陈思玎;孟霞;姜勇;王拥军
作者机构：
北京 100070 首都医科大学附属北京天坛医院,国家神经系统疾病临床医学研究中心
文献出处：
引用格式：
[1]杨佳蕾;陈思玎;孟霞;姜勇;王拥军-.基于机器学习预测血糖异常急性缺血性卒中患者预后模型研究)[J].中国卒中杂志,2022(07):730-736
A类：
B类：
基于机器学习,机器学习预测,血糖异常,急性缺血性卒中,卒中患者,预后模型,预后预测模型,logistic,机器学习模型,预测效能,登记研究,China,national,stroke,registration,study,CNSR,病例报告表,人口学,实验室检查,头颅影像学,影像学检查,卒中病因,病因分型,交叉验证,训练集,测试集,梯度提升决策树,gradient,boosted,decision,trees,GBDT,极致梯度提升,eXtreme,Gradient,Boosting,XGBoost,机器学习方法,功能预后,预后不良,mRS,评价效度,Brier,分数评价,校准度,指标评价,平均年龄,预测价值,区分度,大样本量
AB值：
0.325308
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
