Multimodal Predictive Modeling of Endovascular Treatment Outcome for Acute Ischemic Stroke Using Machine-Learning
Notice bibliographique
Résumé
Background and Purpose: This study assessed the predictive performance and relative importance of clinical, multimodal imaging, and angiographic characteristics for predicting the clinical outcome of endovascular treatment for acute ischemic stroke. Methods: A consecutive series of 246 patients with acute ischemic stroke and large vessel occlusion in the anterior circulation who underwent endovascular treatment between April 2014 and January 2018 was analyzed. Clinical, conventional imaging (electronic Alberta Stroke Program Early CT Score, acute ischemic volume, site of vessel occlusion, and collateral score), and advanced imaging characteristics (CT-perfusion with quantification of ischemic penumbra and infarct core volumes) before treatment as well as angiographic (interval groin puncture-recanalization, modified Thrombolysis in Cerebral Infarction score) and postinterventional clinical (National Institutes of Health Stroke Scale score after 24 hours) and imaging characteristics (electronic Alberta Stroke Program Early CT Score, final infarction volume after 18–36 hours) were assessed. The modified Rankin Scale (mRS) score at 90 days (mRS-90) was used to measure patient outcome (favorable outcome: mRS-90 ≤2 versus unfavorable outcome: mRS-90 >2). Machine-learning with gradient boosting classifiers was used to assess the performance and relative importance of the extracted characteristics for predicting mRS-90. Results: Baseline clinical and conventional imaging characteristics predicted mRS-90 with an area under the receiver operating characteristics curve of 0.740 (95% CI, 0.733–0.747) and an accuracy of 0.711 (95% CI, 0.705–0.717). Advanced imaging with CT-perfusion did not improved the predictive performance (area under the receiver operating characteristics curve, 0.747 [95% CI, 0.740–0.755]; accuracy, 0.720 [95% CI, 0.714–0.727]; P =0.150). Further inclusion of angiographic and postinterventional characteristics significantly improved the predictive performance (area under the receiver operating characteristics curve, 0.856 [95% CI, 0.850–0.861]; accuracy, 0.804 [95% CI, 0.799–0.810]; P <0.001). The most important parameters for predicting mRS 90 were National Institutes of Health Stroke Scale score after 24 hours (importance =100%), premorbid mRS score (importance =44%) and final infarction volume on postinterventional CT after 18 to 36 hours (importance =32%). Conclusions: Integrative assessment of clinical, multimodal imaging, and angiographic characteristics with machine-learning allowed to accurately predict the clinical outcome following endovascular treatment for acute ischemic stroke. Thereby, premorbid mRS was the most important clinical predictor for mRS-90, and the final infarction volume was the most important imaging predictor, while the extent of hemodynamic impairment on CT-perfusion before treatment had limited importance.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».