An Explainable Artificial Intelligence Model to Predict Malignant Cerebral Edema after Acute Anterior Circulating Large Hemisphere Infarction
Notice bibliographique
Résumé
Abstract Background: Malignant cerebral edema (MCE) is a serious complication and the main cause of poor prognosis in large hemisphere infarction (LHI). Therefore, rapid and accurate identification of potential patients with MCE is essential for providing timely therapy. However, most prediction models lack interpretability, limiting their use in clinical practice.To establish an interpretable model to predict MCE in patients with LHI. We utilize the SHapley Additive exPlanations (SHAP) method to explain the eXtreme Gradient Boosting (XGBoost) model and identify prognostic factors, providing valuable data for clinical decision-making. Methods: In this retrospective cohort study, we included 314 consecutive patients with LHI admitted to the Third Affiliated Hospital of Soochow University from December 2018 to April 2023. The patients were divided into MCE and non-MCE groups, and we developed an explainable artificial intelligence prediction model. The dataset was randomly divided into two parts: 75% of the data were used for model training and 25% were used for model validation. Confusion matrix was utilized to measure the prediction performance of the XGBoost model. The SHAP method was used to explain the XGBoost model. Decision curve analysis was performed to evaluate the net benefit of the model. Results: A 38.5% (121/314) incidence of MCE was observed among the 314 patients with LHI. The XGBoost model showed excellent predictive performance, with an area under the curve of 0.916 in validation. The SHAP method revealed the top 10 predictive variables of MCE based on their importance ranking, while the Alberta Stroke Program Early CT Score (ASPECTS) score was considered the most important predictive variable, followed by National Institutes of Health Stroke Scale (NIHSS) score, Collateral Status (CS) score, APACHE II score, glycated hemoglobin (HbA1c), atrial fibrillation (AF), neutrophil-to-lymphocyte ratio (NLR), platelet (PLT) count, Glasgow Coma Scale (GCS) and Age. We found that ASPECTS score < 6, NIHSS score >17, CS score < 2, APACHE II >14, HbA1c >6.3 and AF were associated with increased risks of malignant cerebral edema. Conclusion: An interpretable predictive model can increase transparency and help doctors to accurately predict the occurrence of MCE in patients with LHI, providing patients with better treatment strategies and enabling optimal resource allocation.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».