已发表论文

基于临床特征的机器学习模型预测缺血性脑卒中后严重吞咽困难

 

Authors Ye F, Cheng LL, Li WM , Guo Y, Fan XF

Received 7 August 2024

Accepted for publication 21 November 2024

Published 28 November 2024 Volume 2024:17 Pages 5623—5631

DOI https://doi.org/10.2147/IJGM.S484237

Checked for plagiarism Yes

Review by Single anonymous peer review

Peer reviewer comments 2

Editor who approved publication: Dr Redoy Ranjan

背景:本研究旨在基于临床特征构建预测缺血性脑卒中后严重吞咽困难的机器学习模型,并寻找重要的临床预测因子。

方法:对江南大学附属医院缺血性脑卒中后吞咽困难住院患者进行回顾性分析,按7:3的比例随机分为训练组和验证组。选择淮安医院的其他患者作为测试集。收集19例相关临床特征。根据饮水试验(WST)将患者分为重度吞咽困难组和非重度吞咽困难组。应用k -最近邻(KNN)、决策树(DT)、随机森林(RF)、支持向量机(SVM)、光梯度增强机(LGBM)和极限梯度增强(XGBoost)预测严重吞咽困难。绘制受试者工作特征(ROC)曲线,计算ROC下面积(AUC)评估预测能力,并采用DeLong检验比较6种模型的AUC。最终获得最优模型,并筛选脑卒中后严重吞咽困难的重要临床预测因素。

结果:共纳入724例患者,其中训练集422例,验证集182例,测试集120例,基线信息差异无统计学意义(P < 0.05)。在训练集中,KNN、DT、RF、SVM和XGBoost的auc均高于LGBM (P< 0.05)。在验证集和测试集中,XGBoost的AUC也更高。XGBoost的性能指标在准确率、精确度、召回率和F1分数方面都更好。因此,XGBoost是最佳模型,具有较好的临床实用性。此外,基于XGBoost的前5个特征是NIHSS评分、BI、BMI、年龄和脑卒中发生时间。

结论:在所有基于临床特征的机器学习预测缺血性脑卒中后严重吞咽困难的模型中,XGBoost的预测价值最好。

关键词:缺血性脑卒中,吞咽困难,机器学习,预测模型