Prediction of recurrence and functional status in young ischemic stroke patients: Comparison of machine learning and traditional statistical methods
Notice bibliographique
Résumé
Abstract Introduction Ischemic stroke in young adults is a significant social and economic burden. Machine learning (ML) techniques can potentially predict the outcomes of recurrence and functional status after a stroke more accurately than traditional statistical methods. We sought to predict these outcomes in young individuals with stroke with machine learning and compare that with traditional statistical methods. Methods This study is part of Global Outcome Assessment Lifelong After Stroke in Young Adults (GOAL) initiative, which collects individual patient data from hospital-based young stroke (18-50 years) cohorts from 29 countries covering all continents worldwide. We compared several common machine learning models with traditional logistic regression to investigate the best models for predicting functional outcome, as measured by the modified Rankin scale at three months post-stroke, and stroke recurrence during follow-up. Results Functional outcome was available for 7937 patients, and stroke recurrence for 9366 patients. Poor functional outcomes post-stroke occurred in 27.0% of cases, and stroke recurrence in 10.1% of cases during a median follow-up time of 75 months. For functional outcome, multilayer perceptron model achieved the highest mean area under the receiver operating characteristic curve (AUC) at 0.92±0.08. Random forest model attained the highest AUC (0.68±0.03) for predicting stroke recurrence. However, their results were not statistically significantly higher than those for logistic regression. Conclusion Our work explored the use machine learning to predict outcomes in young stroke patients. However, in our cohort, ML methods provided only moderate added value compared to logistic regression for predicting stroke recurrence and functional outcome.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».