Ключевые результаты
Исследование, опубликованное в журнале Frontiers in Neurology, сравнило эффективность методов машинного обучения и логистической регрессии для прогнозирования ранних неврологических ухудшений после тромболизиса у пациентов с легким инсультом. Из 625 пациентов, включенных в исследование, у 80 наблюдалось раннее неврологическое ухудшение после тромболизиса. Наилучшие результаты среди методов машинного обучения показала модель Support Vector Machine (SVM) с обработкой данных методом upsampling, продемонстрировав показатель AUC 0,859 в тестовом наборе. Оптимальная модель логистической регрессии (m4) показала сравнимый результат с AUC 0,848.
Методология
Исследователи проанализировали данные пациентов с легким инсультом, которые получили тромболитическую терапию в отделении неотложной помощи с 1 апреля 2017 года по 1 апреля 2024 года. Для создания прогностических моделей были использованы четыре метода машинного обучения:
- Extreme Gradient Boosting (XGBoost)
- K-Nearest Neighbors (KNN)
- Random Forest (RF)
- Support Vector Machine (SVM)
Для решения проблемы несбалансированности данных (малое число пациентов с ухудшением по сравнению с общей выборкой) исследователи применили четыре различных метода предварительной обработки. Каждый метод машинного обучения был протестирован с каждым методом предварительной обработки, что дало 16 различных рабочих процессов. Дополнительно были разработаны пять вариантов моделей логистической регрессии.
Оценка моделей проводилась с помощью 10-кратной стратифицированной перекрестной проверки и алгоритма имитации отжига для выбора оптимальных параметров.
Клиническое значение
Раннее прогнозирование неврологических ухудшений после тромболизиса имеет важное клиническое значение даже у пациентов с легким инсультом. Такие прогностические инструменты могут помочь клиницистам выявлять пациентов с повышенным риском ухудшения и заранее готовить соответствующие лечебные мероприятия.
Исследование продемонстрировало, что современные модели машинного обучения не имеют значительного преимущества перед традиционной логистической регрессией в данном клиническом сценарии. Это важное наблюдение для клинической практики, поскольку более простые в интерпретации модели логистической регрессии могут быть предпочтительнее при внедрении в повседневную работу неврологических отделений.
Выводы
Исследование выявило факторы риска, влияющие на возникновение ранних неврологических ухудшений после тромболизиса у пациентов с легким инсультом. Обе модели - логистическая регрессия и машинное обучение - продемонстрировали сопоставимую эффективность на данном одноцентровом ретроспективном наборе данных.
Авторы подчеркивают, что для подтверждения результатов и разработки надежных клинических инструментов прогнозирования необходимы дальнейшие многоцентровые проспективные исследования с большими выборками пациентов.