Development and Validation of Multiple Machine Learning Models Integrating Neutrophil‐Lymphocyte Ratio for Prediction of Hemorrhagic Transformation After Intravenous Thrombolysis in Acute Ischemic Stroke
Notice bibliographique
Résumé
BACKGROUND: Hemorrhagic transformation (HT) is a critical complication of intravenous thrombolysis (IVT) in acute ischemic stroke (AIS). This study developed and validated machine learning (ML) models integrating inflammatory biomarkers with clinical indicators to predict post-IVT HT. METHODS: In 1272 IVT-treated AIS patients, the least absolute shrinkage and selection operator (LASSO) regression identified five predictors from 17 variables, which were subsequently utilized to construct eight ML models. The models were trained (70% data) and tested (30% data). Furthermore, external validation conducted on an independent cohort substantiated the generalizability of the optimal model. The SHapley Additive exPlanations (SHAP) method explained feature importance. RESULTS: LASSO screened five significant predictors: the neutrophil-to-lymphocyte ratio (NLR), admission National Institutes of Health Stroke Scale (NIHSS) score, the Alberta Stroke Program Early CT Score (ASPECTS), blood glucose, and atrial fibrillation. Logistic regression (LR) achieved optimal performance with an AUC of 0.833 internally and 0.842 externally. SHAP analysis prioritized NIHSS as the top contributor, while the nomogram elucidated the variability in HT risk. CONCLUSION: Integrating NLR with stroke severity and neuroimaging biomarkers enhances the accuracy of HT predictions. The LR-based nomogram provided a practical tool for personalized IVT decisions, emphasizing the prognostic value of systemic inflammation in AIS management.
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 ».