Abstract WP182: Machine Learning Models are More Accurate Than Regression-based Models for Predicting Functional Impairment Risk in Acute Ischemic Stroke
Notice bibliographique
Résumé
Background and Purpose: The burden of stroke-related functional impairment remains high among stroke survivors. Clinical prediction models are commonly used to estimate patient functional impairment risk. However, these models have been principally developed based on regression models, which are sensitive to multicollinearity. This study investigates whether there is any advantage in using machine learning models to develop stroke-related functional impairment risk prediction tools. Methods: Using data from a multi-center hospital-based cohort study (n = 614). Modified Rankin Scale (mRS) score was used to assess 90-day functional impairment status. The accuracy of machine learning models was used to predict the risk of patient-specific risk of 90-day functional impairment. Area under the receiver operating characteristic curve (AUC) was used to assess the predictive accuracy of these models via internal cross-validation and external validation in the ESCAPE randomized controlled trial data. Results: Of the 614 patients included in the analyses, 348(56.7%) had some form of functional impairment (i.e., mRS > 1), 313 (50.9%) were males, while the median and interquartile range (IQR) of age and baseline NIHSS scores were 72 years (IQR = 63-80) and 12 (IQR = 6-19), respectively. Internal cross-validation shows that the AUC for regression models were 68.3% (95%CI = [63.9% - 76.5%]) and 70.1% (95%CI = [63.5% - 76.1%]) while the AUC for machine learning models ranged between 62.7% to 68.8%. But when these models were externally validated in the ESCAPE data, the AUC for regression models were 39.6% (95%CI = [36.1% - 47.5%]) and 35.8% (95%CI = [30.4% - 41.5%]) while the AUC for machine learning models ranged between 61.6% (95%CI = [58.2% - 67.3%]) and 66.7% (95%CI = [61.3% - 72.3%]). Conclusions: This study shows that while there were negligible differences between risk prediction models based on machine learning and regression-based models when internally validated, the former are more accurate than the latter in predicting stroke-related functional impairment in externally validated data. Future research will use Monte Carlo methods to develop recommendations for selecting machine learning models under a variety of data characteristics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».