Интерпретируемое машинное обучение для раннего прогнозирования неврологического ухудшения при инсульте, связанном с фибрилляцией предсердий

Мы стремились разработать новую модель прогнозирования раннего неврологического ухудшения (END) на основе интерпретируемого алгоритма машинного обучения (ML) для инсульта, связанного с фибрилляцией предсердий (AF), и оценить точность прогнозирования и важность характеристик моделей ML. Были собраны данные из многоцентровых проспективных регистров инсульта в Южной Корее. После пошаговой предварительной обработки данных мы использовали логистическую регрессию, машину опорных векторов, экстремальное усиление градиента, машину повышения светового градиента (LightGBM) и многослойные модели персептронов. Мы использовали метод аддитивного объяснения Шепли (SHAP) для оценки важности признаков. Из 3213 пациентов, перенесших инсульт, в исследование были включены 2363 человека, которые прибыли в больницу в течение 24 часов с момента появления симптомов и имели доступную информацию о END. Из них 318 (13,5%) имели END. Модель LightGBM показала наибольшую площадь под кривой рабочей характеристики приемника (0,772; 95% доверительный интервал 0,715–0,829). Анализ важности признаков показал, что наиболее важными факторами были уровень глюкозы натощак и оценка по шкале инсульта Национального института здоровья. Среди алгоритмов машинного обучения модель LightGBM оказалась особенно полезной для прогнозирования END, поскольку она выявила новые и разнообразные предикторы. Кроме того, влияние функций на предсказательную силу модели было индивидуализировано с помощью метода SHAP.

.

Читайте также  Изменение климата на пути, чтобы уничтожить белых медведей к 2100

Leave a Comment