Predicting functional outcome in acute ischemic stroke patients after endovascular treatment by machine learning
Notice bibliographique
Résumé
Abstract Background Endovascular therapy (EVT) was the standard treatment for acute ischemic stroke with large vessel occlusion. Prognosis after EVT is always a major concern. Here, we aimed to explore a predictive model for patients after EVT. Method A total of 156 patients were retrospectively enrolled. The primary outcome was functional dependence (defined as a 90-day modified Rankin Scale score ≤ 2). Least absolute shrinkage and selection operator and univariate logistic regression were used to select predictive factors. Various machine learning algorithms, including multivariate logistic regression, linear discriminant analysis, support vector machine, k -nearest neighbors, and decision tree algorithms, were applied to construct prognostic models. Result Six predictive factors were selected, namely, age, baseline National Institute of Health Stroke Scale (NIHSS) score, Alberta Stroke Program Early CT (ASPECT) score, modified thrombolysis in cerebral infarction score, symptomatic intracerebral hemorrhage (sICH), and complications (pulmonary infection, gastrointestinal bleeding, and cardiovascular events). Based on these variables, various models were constructed and showed good discrimination. Finally, a nomogram was constructed by multivariate logistic regression and showed a good performance. Conclusion Our nomogram, which was composed of age, baseline NIHSS score, ASPECT score, recanalization status, sICH, and complications, showed a very good performance in predicting outcome after EVT.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».