• 主题
高级搜索  >
历史搜索 清空历史
首页> 中文期刊> 《中国卒中杂志》 >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

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

         
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

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 study III,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。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号