Canadian Journal of Neurological Sciences / Journal Canadien des Sciences Neurologiques· 2026Q2
Makine Öğrenmesi Modelleri İntraserebral Kanama Prognozu İçin Geleneksel Skorları Geride Bıraktı
A Comparison of Machine Learning Models for ICH Prognostication: An Analysis of ATACH-2 and Qatar Stroke Database
- 1atıf
- Q2SCImago
- 2026yıl
Kısa özet
XGBoost ve Random Forest modelleri, Katar ve ATACH-2 veri kümelerinden alınan birleşik kabul ve yatan hasta verileriyle eğitildiğinde, intraserebral kanama hastalarında %90 mortalite ve fonksiyonel sonuçları tahmin etmede sırasıyla 0.916 ve 0.882 AUC değerlerine ulaştı ve sadece kabul verileriyle eğitilen modellerden daha iyi performans gösterdi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- XGBoost ve Random Forest modelleri, harici test kümelerinde yüksek AUC değerlerine (mortalite için 0.916, fonksiyonel sonuçlar için 0.882) ulaştı.
- Birleşik kabul ve yatan hasta verileriyle eğitilen modeller, sadece kabul verileriyle eğitilen modellerden daha iyi performans gösterdi.
- Hematom genişlemesi ve entübasyon durumu önemli prognostik belirteçler olarak belirlendi.
- Çalışma tasarımı, modellerin farklı kohortlar arasında gerçek dünya dağıtımını simüle etmektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
INTRODUCTION: Multiple prognostic scores have been developed to predict morbidity and mortality in patients with spontaneous intracerebral hemorrhage (sICH). These scoring models were traditionally based on statistical methods involving a limited set of variables. The advent of machine learning (ML) has enabled the development of several prognostic models for sICH that can leverage much more data. METHODS: We trained ML models on two distinct datasets: (1) Qatar dataset only and (2) a combined dataset consisting of the Qatar and Antihypertensive Treatment of Acute Cerebral Hemorrhage II (ATACH-2) datasets. Model validation was conducted separately on the Qatar and ATACH test sets, providing insights into model performance within and across study populations. By incorporating inpatient variables into model development, we leveraged more information. We also compared models derived from admission-only variables with models derived from both admission and inpatient variables. RESULTS: For 90-day mortality using combined training data, XGBoost (XGB) achieved the highest area under the curve (AUC) on the Qatar test set, while Random Forest achieved an AUC of 0.916 on the ATACH test set. For 90-day functional outcomes, Random Forest and XGB achieved AUCs of 0.882, respectively. Models trained using both admission and inpatient data outperformed admission-only models. Feature importance revealed important markers of prognostication such as hematoma expansion and status of intubation. Sensitivity analyses confirmed that results were robust to assumptions regarding follow-up imaging availability. CONCLUSION: Our study design mirrors a real-world deployment scenario in which a model developed at a single center is transported to external cohorts, while still preventing any information leakage from test data.
Yazarların özeti; kaynağından alınmıştır. Canadian Journal of Neurological Sciences / Journal Canadien des Sciences Neurologiques, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Nöroloji (Tıp)
NeurologyMedicine