基于机器学习的高血压脑出血血肿扩大因素分析及应用
目的：高血压脑出血发病率、死亡率和致残率较高，发生血肿扩大更是雪上加霜，会增加患者死亡率和致残率，导致患者预后不良，极大加重患者家庭和社会负担。本研究对不同机器学习预测模型的有效性进行了测试，找到一种最有效的预测方法模型，筛选出高血压脑出血血肿扩大的相关因素，建立预测模型评估系统，为临床医生提供辅助指导，减少血肿扩大的发生率，使患者得到很好的康复。 方法：回顾性分析2015年01月至2020年06月于西安医学院第二附属医院神经外科住院就诊的高血压脑出血患者的临床资料，根据患者入院后患者是否发生血肿扩大将其为血肿扩大组和血肿未扩大组。在SPSS25.0版本分析软件中对人口学特征、临床资料、实验室检验及影像学相关数据进行初步分析。利用Python语言构建模型及预测评估系统，使用的机器学习方法包括支持向量机（Supportvectormachine，SVM）、决策树（Decisiontree）、随机森林（Randomforest，RF）、逻辑回归（Logisticregression）和Adaboost五种模型。从收集的数据集中随机选取4/5的数据组成训练集建立模型，剩余1/5的数据集组成验证集，通过十折交叉验证方法对模型的准确度进行检验，用受试者工作特性曲线下面积（AUC）验证五种模型的准确度，用准确度最高的模型建立预测评估系统。 结果：经过纳入和排除标准后，本研究共纳入的833例患者，血肿扩大组190例，血肿未扩大组643例。单因素分析结果显示，两组患者在性别、年龄、糖尿病史、吸烟史、饮酒史、初始血肿体积、血红蛋白、血小板计数、国际化标准比值、纤维蛋白原、血清钠、白蛋白、丙氨酸氨基转移酶、天门冬氨酸氨基转移酶之间比较差异无统计学意义（P＞0.05）。两组患者在血肿形状是否规则、破入脑室、血肿位置、入院时收缩压、入院时舒张压、入院血糖值、入院时GCS评分、红细胞计数、白细胞计数、凝血酶原时间、部分凝血活酶时间、血清钾、血清钙之间比较差异具有统计学意义（P＜0.05）。机器学习决策树算法发现，影响高血压脑出血血肿扩大权重的前5个因素是入院时GCS评分，血清钙，白细胞计数，入院时舒张压和初始血肿体积。通过机器学习五种算法建立预测模型，我们发现五种模型的准确度分别是：支持向量机算法（AUC值=0.91）；随机森林算法（AUC值=0.86）；逻辑回归算法（AUC值=0.79）；Adaboost算法（AUC值=0.82）；决策树算法（AUC值=0.78）。在五种分类模型中，支持向量机是预测高血压脑出血血肿扩大最精确的模型，利用支持向量机模型建立高血压脑出血血肿扩大预测评估系统软件。 结论：本研究利用机器学习分析方法的预测高血压脑出血血肿扩大，在五种模型中，支持向量机是预测高血压脑出血血肿扩大最精确的模型，有很高的预测效能。影响高血压脑出血血肿扩大权重的前5个因素是入院时GCS评分，血清钙，白细胞计数，入院时舒张压和初始血肿体积。利用准确度最高的模型可开发软件应用于临床，医务工作者可在评估系统中输入患者的数据，进行血肿扩大的预测评估，从而有针对性的诊治措施来预防血肿扩大。
机器学习;高血压脑出血;血肿扩大
西安医学院
硕士
外科学
赵海康
2021
中文
R743.34
2021-12-15（万方平台首次上网日期，不代表论文的发表时间）