跳到正文
原文
Scientific Reports· Patrick Andreas Eder, Oliver Moser, Asarnusch Rashid 等 8 人

可解释人工智能用于院前识别血管内取栓候选者:一项回顾性真实世界研究

Explainable artificial intelligence for prehospital identification of endovascular thrombectomy candidates: a retrospective real-world study

AI 导读

基于院前与院内真实世界数据构建可解释机器学习模型,预测急性卒中患者是否接受血管内取栓。

摘要 · AI 翻译

大血管闭塞所致的急性缺血性卒中需要快速血管内治疗(EVT)。院前卒中量表虽被广泛使用,但尚未在灵敏度、特异度和整体判别性能之间达到最佳平衡,这凸显了评估机器学习(ML)方法以改善EVT候选者早期识别的必要性。我们开展了一项回顾性开发与内部验证研究,基于德国农村地区(Rhön-Grabfeld)Stroke Angel 倡议中连续经急救医疗服务(EMS)转运的疑似卒中患者(n = 1,435,94 例 EVT 事件 [6.6%])的数字真实世界数据,覆盖 2015 年 1 月至 2021 年 6 月。使用 Platt 缩放对六个 ML 模型的预测概率进行重校准,并使用决策曲线分析(DCA)评估临床相关性。计算 SHapley Additive exPlanations(SHAP)值以量化各特征对模型预测的个体贡献。在评估队列的 287 例患者(24 例 EVT 事件)中,随机森林取得了最高的 AUROC(0.85 [95% CI,0.78–0.90]),灵敏度为 0.92 [0.74–0.99],特异度为 0.66 [0.60–0.72]。4I-SS(评分 > 2)的 AUROC 为 0.82 [0.72–0.89],灵敏度为 0.87 [0.67–0.96],特异度为 0.69 [0.64–0.74]。所有指标及 Platt 缩放概率的自助法区间均相互重叠,提示无统计学显著优势。

中文由 AI 翻译,仅供参考,以原文为准。

来源:Scientific Reports · nature.com

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。