機械学習を使用した脳卒中後の認知障害の予測：前向きコホート研究

背景：脳卒中後の認知障害（PSCI）は、迅速な検出と管理を保証する脳卒中の深刻な合併症です。その結果、診断予測モデルの開発には臨床的意義があります。 目的：機械学習アルゴリズムを採用して、急性虚血性脳卒中（AIS）後の3〜6か月以内に重要な変数と予測PSCI発生を特定しました。 方法：2022年1月から2022年8月の間に南東大学の関連するZhongda病院のデータを利用した開発コホート（331人の患者）で、2022年12月から2023年1月までの外部検証コホート（66人の患者）を使用して、前向き研究を実施しました。最適なモデルは、9つの機械学習分類モデルを統合することで決定され、パーソナライズされたリスク評価は、Shapley Additive説明（SHAP）解釈によって促進されました。 結果：年齢、教育、ベースライン国立衛生研究所（NIHSS）、脳白質変性（CWMD）、ホモシステイン（HCY）、およびC反応性タンパク質（CRP）がPSCI発生の予測因子として同定されました。ガウスナイーブベイズ（GNB）モデルは最適なモデルであると判断され、検証セットの他の分類器モデルを上回ります（曲線下の面積[AUC]：0.925、95％信頼区間[CI]：0.861-0.988）。ブライアースコア。GNBモデルは、テストセットでうまく機能しました（AUC：0.919、精度：0.864、感度：0.818、および特異性：0.932）。 結論：本研究には、GNBモデルの開発とSHAP法の採用による解明が含まれていました。これらの調査結果は、PSCIを防止するための説得力のある証拠を提供します。これは、リスクの高い患者が適切な予防措置を講じるためのガイドとして役立つ可能性があります。

BACKGROUND: Post-stroke cognitive impairment (PSCI) is a serious complication of stroke that warrants prompt detection and management. Consequently, the development of a diagnostic prediction model holds clinical significance. OBJECTIVE: Machine learning algorithms were employed to identify crucial variables and forecast PSCI occurrence within 3-6 months following acute ischemic stroke (AIS). METHODS: A prospective study was conducted on a developed cohort (331 patients) utilizing data from the Affiliated Zhongda Hospital of Southeast University between January 2022 and August 2022, as well as an external validation cohort (66 patients) from December 2022 to January 2023. The optimal model was determined by integrating nine machine learning classification models, and personalized risk assessment was facilitated by a Shapley Additive exPlanations (SHAP) interpretation. RESULTS: Age, education, baseline National Institutes of Health Scale (NIHSS), Cerebral white matter degeneration (CWMD), Homocysteine (Hcy), and C-reactive protein (CRP) were identified as predictors of PSCI occurrence. Gaussian Naïve Bayes (GNB) model was determined to be the optimal model, surpassing other classifier models in the validation set (area under the curve [AUC]: 0.925, 95 % confidence interval [CI]: 0.861 - 0.988) and achieving the lowest Brier score. The GNB model performed well in the test sets (AUC: 0.919, accuracy: 0.864, sensitivity: 0.818, and specificity: 0.932). CONCLUSIONS: The present study involved the development of a GNB model and its elucidation through employment of the SHAP method. These findings provide compelling evidence for preventing PSCI, which could serve as a guide for high-risk patients to undertake appropriate preventive measures.