Optimizing Prehospital Stroke Diagnosis: Integrating Machine Learning with the FAST Scoring System
Notice bibliographique
Résumé
Strokes are a leading cause of disability and death worldwide, and timely diagnosis is critical for effective treatment. Prehospital stroke diagnosis by emergency medical services (EMS) is essential for ensuring prompt care. The FAST (Face, Arms, Speech, and Time) scoring system is a common tool used to identify stroke symptoms quickly. However, the traditional FAST system has limitations, including reliance on subjective assessments and potential misdiagnoses due to symptom variability. This study aims to optimize the FAST scoring system and compare its performance with various machine learning models to enhance stroke prediction accuracy. A dataset from an ambulance service, including prehospital data such as age, sex, and FAST test results, was used. Data preprocessing involved handling missing values, encoding categorical variables, and applying the Synthetic Minority Over-sampling Technique (SMOTE) to balance the dataset. A grid search was conducted to test different weighting schemes for the FAST system. Machine learning models, including Logistic Regression, Random Forest, Support Vector Machine (SVM), XGBoost, and Decision Tree, were trained and evaluated using cross-validation on the training set and tested on a separate test set. The traditional FAST system showed an accuracy of 62.95%. Optimizing the FAST system through grid search marginally increased accuracy to 64.36%. However, machine learning models, particularly Random Forest, significantly outperformed the FAST system, achieving a test set accuracy of 88.54%. XGBoost also demonstrated strong performance with an accuracy of 77.07%, while Logistic Regression, SVM, and Decision Tree showed lower accuracies. These findings suggest that integrating machine learning models into EMS protocols could substantially improve the accuracy of prehospital stroke diagnosis, leading to quicker and more accurate identification and treatment of stroke patients. Although the optimized FAST system offers slight improvements, machine learning models present a promising avenue for enhancing stroke prediction and improving patient outcomes in emergency settings while acknowledging practicality issues.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
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 ».