Predicting Ischemic Stroke Patients to Transfer for Endovascular Thrombectomy Using Machine Learning: A Case Study
Notice bibliographique
Résumé
Introduction: Endovascular thrombectomy (EVT) is highly effective for ischemic stroke patients with a large vessel occlusion. EVT is typically only offered at urban hospitals; therefore, patients are transferred for EVT from hospitals that solely offer thrombolysis. There is uncertainly around patient selection for transfer, which results in a large number of futile transfers. Machine learning (ML) may be able to provide a model that better predicts patients to transfer for EVT. Objective: The objective of the study is to determine if ML can provide decision support to more accurately select patients to transfer for EVT. Methods: This is a retrospective study. Data from Nova Scotia, Canada from 1 January 2018 to 31 December 2022 was used. Four supervised binary classification ML algorithms were applied, as follows: logistic regression, decision tree, random forest, and support vector machine. We also applied an ensemble method using the results of these four classification algorithms. The data was split into 80% training and 20% testing, and five-fold cross-validation was employed. Missing data was accounted for by the k-nearest neighbour’s algorithm. Model performance was assessed using accuracy, the futile transfer rate, and the false negative rate. Results: A total of 5156 ischemic stroke patients were identified during the time period. After exclusions, a final dataset of 93 patients was obtained. The accuracy of logistic regression, decision tree, random forest, support vector machine, and ensemble models was 68%, 79%, 74%, 63%, and 68%, respectively. The futile transfer rate with random forest and decision tree was 0% and 18.9%, respectively, and the false negative rate was 5.37 and 4.3%, respectively Conclusions: ML models can potentially reduce futile transfer rates, but future studies with larger datasets are needed to validate this finding and generalize it to other systems.
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 | 0,000 |
| 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 ».