机构名称：
¥ 1.0
目的 全球每年约有 150 万人死于创伤性脑损伤 (TBI)。医生在早期预测重度 TBI 患者的长期结果方面相对较差。机器学习 (ML) 已显示出改善多种神经系统疾病预测模型的前景。作者试图探索以下几点：1) 与标准逻辑回归技术相比，各种 ML 模型的表现如何；2) 经过适当校准的 ML 模型是否可准确预测创伤后长达 2 年的结果。方法 对 2002 年 11 月至 2018 年 12 月期间在单个一级创伤中心接受治疗的重度 TBI 患者的前瞻性收集数据库进行了二次分析。使用格拉斯哥结果量表评估受伤后 3、6、12 和 24 个月的神经系统结果。作者使用 ML 模型（包括支持向量机、神经网络、决策树和朴素贝叶斯模型）通过入院时可用的临床信息预测所有 4 个时间点的结果，并将性能与逻辑回归模型进行了比较。作者试图预测不利与有利的结果（格拉斯哥结果量表评分为 1-3 vs 4-5）以及死亡率。使用具有 95% 置信区间和平衡准确度的受试者工作特征 (ROC) 曲线下面积 (AUC) 评估模型的性能。结果在数据库的 599 名患者中，作者分别在创伤后 3、6、12 和 24 个月纳入了 501、537、469 和 395 名患者。在所有时间点，使用各种建模策略，死亡率的 AUC 范围为 0.71 至 0.85，不良结果的 AUC 范围为 0.62 至 0.82。决策树模型在多个时间点的不良结果和死亡率方面的表现都比所有其他建模方法差。其他任何模型之间均无统计学显著差异。经过适当校准后，模型在不同时间点的变化很小（0.02–0.05）。结论本文测试的 ML 模型在 TBI 预测方面的表现与逻辑回归技术相当。TBI 预测模型可以预测受伤后 6 个月至 2 年的结果。
神经外科 - 重点
主要关键词
相关文件推荐
