Predicting 24-Hour Blood Pressure Variability Post Thrombectomy Using Machine Learning for Patients with Ischemic Stroke from Anterior Circulation Large Vessel Occlusion
Notice bibliographique
Résumé
BACKGROUND: Mechanical thrombectomy is the standard of care for patients with ischemic stroke from large vessel occlusion. Blood pressure variability (BPV) in the post thrombectomy period is associated with poor functional outcomes. To determine predictive factors associated with increased BPV, a machine learning algorithm was used to identify factors that are linked with increased BPV indices at 24 hours post thrombectomy. METHODS: This retrospective study examined all patients from a Comprehensive Stroke Center's registry who underwent mechanical thrombectomy between January 2016 and December 2019. The primary outcome was BPV between patients who had adequate reperfusion post thrombectomy (Thrombolysis in Cerebral Infarction [TICI] grading 2b+) and those who did not. The secondary outcomes were good functional status at 90 days (modified Rankin Scale ≤2) and reperfusion (TICI 2b+). Random forest analysis was leveraged to determine predictors for BPV with reported root mean square error and normalized root mean square error metrics. Multivariable regression analysis was used to determine factors significantly associated with secondary outcomes. P < 0.05 was the threshold for statistical significance. RESULTS: A total of 395 patients (49%, n = 195 females and 51%, n = 200 males) were included in the final analysis with mean age (± standard deviation) of 65 (±15) years. TICI 2b+ was achieved in 322 (82%) patients. Median Alberta stroke program early CT score and National Institutes of Health Stroke Scale (NIHSS) were 9 and 18, respectively. Higher age, NIHSS, number of passes, and mechanical ventilation were significantly associated with lower likelihood of modified Rankin Scale ≤2 at 90 days in multivariable regression analysis. CONCLUSIONS: This study identified the interval from last-known-well time-to-groin puncture, age, and NIHSS as factors significantly associated with increased 24-hour BPV in random forest analysis. These predisposing factors in our machine learning analysis allow clinicians to identify patients who are at risk of having increased BPV and opportunities to augment these patients' blood pressure control.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».