Prediction of Symptomatic Intracranial Hemorrhage Before Mechanical Thrombectomy Using Machine Learning in Patients with Anterior Circulation Large Vessel Occlusion
Notice bibliographique
Résumé
BACKGROUND: Symptomatic intracranial hemorrhage (sICH) after mechanical thrombectomy (MT) is associated with worse outcomes. We sought to develop and internally validate a machine learning (ML) model to predict sICH prior to MT in patients with anterior circulation large vessel occlusion. METHODS: Consecutive adults who underwent MT for internal carotid artery/M1/M2 occlusions at a single institution were reviewed. The data was split into 80% training and 20% hold-out test sets. 9 ML models were screened. The top performing ML model was compared to logistic regression and previously described clinical prediction models. SHapley Additive exPlanations were used to identify the most predictive features in the ML model. RESULTS: A total of 497 patients met inclusion criteria. The top performing ML model was extreme gradient boosting. The area under the receiver operating characteristics curve for the ML model on the test set was 0.79 (95% confidence interval [CI] 0.67-0.89), which was significantly higher (P < 0.001) than the logistic regression model (0.54 [95% CI 0.33-0.76]). The ML model also performed significantly better than the TAG = TICI-ASPECTS-glucose score (0.69 [95% CI 0.55-0.85], P < 0.001), Systolic blood pressure-Time-Blood glucose-ASPECTS score (0.45 [95% CI 0.30-0.60], P < 0.001), and ChatGPT 4.0 (0.60 [95% CI 0.48-0.68], P < 0.001). Based on SHapley Additive exPlanations values the most predictive features of sICH in the ML model were lower Alberta Stroke Program Early CT score, lower collateral score, and higher presenting National Institutes of Health Stroke Scale. CONCLUSIONS: An ML model accurately predicted sICH prior to MT. It performed better than a standard statistical model and previously described clinical prediction models.
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 | 0,001 | 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 | 0,001 |
| 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 ».