Abstract TP189: Identifying Stroke Patients At Risk For Cognitive Impairment And Dementia Using Electronic Health Record Data And Machine Learning
Notice bibliographique
Résumé
Background: Stroke patients are at high risk of developing cognitive impairment and dementia. Failure to identify cognitive impairment in time could hasten the progression of dementia and impact the rehabilitation plan. Therefore, a reliable method is needed to determine a stroke survivor’s susceptibility to post-stroke cognitive impairment and dementia (PSCID). Method: We conducted a retrospective cohort study of cryptogenic stroke (CS) patients from January 1, 2017, to February 28, 2022, using EHR data to query for PSCID onset. A machine learning (ML) model was created to forecast the occurrence of PSCID during follow-up. The features used in the model included elements from EHR that were found to be associated with PSCID in other studies, including sociodemographic, medical, and mental morbidities. Logistic Regression, Random Forest (RF) Classifier, and Gradient Boosting are examples of ML algorithms that were used. The final model used RF Classifier due to its superior performance. Results: Of 390 CS patients (62±16 years, 56.4% male) included in the analysis, 110 (28.2%) had documented PSCID in EHR following the initial stroke. We evaluated our model in a repeated (n=100) 10-fold cross validation scheme and used Synthetic Minority Oversampling Technique (SMOTE) to compensate for class imbalance. We identified the most informative ten features using an Extra Tree classifier, which are age, transient ischemic attack, sex, smoking, diabetes, hypertension, atherosclerosis, anemia, and atrial fibrillation. Using these features, our RF classifier reached a performance of 71.2±6.5% accuracy, 70±4.9% precision, 75±12% recall, and 0.777±0.082 AUC. Conclusion: Our model could predict the CS patients at risk for PSCID with reasonable accuracy using only ten features. Future work should involve a larger cohort along with more advanced machine learning algorithms to enhance the prediction performance.
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 | 0,005 | 0,011 |
| 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) | 0,002 | 0,001 |
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 ».