原始研究的文章

前面。神经。,03 February 2023
秒。中风
卷14 - 2023 | https://doi.org/10.3389/fneur.2023.1096153

分析和预测中风患者死亡的风险使用机器学习

Enzhao朱 ¹ ^__

之浩陈 ² ^__

聚氨酯人工智能¹

佳艺王 ¹

朱敏(音译³

Ziqin徐⁴

刘骏 ¹

Zisheng人工智能 ^5、6 ^*

¹医学院,同济大学,上海,中国
²商学院的华东科技大学,上海,中国
³计算机科学与技术、电子与信息工程学院,同济大学,上海,中国
⁴工业工程和运筹学,哥伦比亚大学,纽约,纽约,美国
⁵临床精神疾病研究中心、中德心理卫生研究所,上海市浦东新区精神卫生中心,医学院,同济大学,上海,中国
⁶医疗部门统计,医学院,同济大学,上海,中国

背景:中风是一种急性疾病和局部神经系统的功能障碍,长期以来被认为是死亡和严重残疾的主要原因之一,在全球大部分地区。本研究旨在补充和利用多种并发症,实验室测试和人口因素更准确地预测死亡与中风有关,此外,异质性的推断治疗中风患者指导更好的治疗计划。

方法:我们从医疗信息提取的数据集市的重症监护(模拟)iv数据库。我们比较的分布控制和死亡之间的人口因素组。随后,我们还开发了机器学习(ML)模型预测中风患者的死亡率。此外,我们使用meta-learner识别的异质性影响华法林和白蛋白。全面评估和解释这些模型利用夏普利添加剂(世鹏科技电子)分析解释。

结果:我们在这项研究包括7483名MIMIC-IV患者。其中,1414名(18.9%)患者住院期间死亡或出院后30天。我们发现年龄的分布,婚姻状况、保险类型,和体重指数两组之间的不同。我们的机器学习模型达到了最高水平的准确性预测中风患者的死亡率。我们也观察到患者与模型一致决心生存结果明显优于不一致的人口比整个治疗组。

结论:我们用了几个高度解释机器学习模型预测中风预测精度最高的日期和确定异构治疗中风患者华法林和白蛋白的影响。我们的解释模型的发现了一定数量的符合临床知识和值得进一步的研究和验证。

1。介绍

中风是一种急性疾病特点是局部神经系统的功能障碍,潜在的大脑血管自发性出血,血液供应不足(1)。伴随心血管和脑血管疾病,中风的病人通常预后不良和结果(2,3)。中风已经被认为是第二个最致命的威胁和全球第二大贡献者严重残疾(4,5)。中风的全球流行病学也没有乐观的在过去的几十年里。中风的事件情况下是1220万年的2019人,其中,62.4%是缺血性中风,而27.9%是颅内出血的,9.7%是蛛网膜下腔出血的情况下(6)。与此同时,一生中患中风的风险大约是25%在男性和女性中25岁(6)。2019年,中风引起的死亡人数达到655万,残疾调整生命年(残疾)的中风患者也达到了1.43亿(6)。

临床,有许多因素会影响预后的中风,一般可以主要分为对病人基本信息,并发症,治疗中风的亚型,(7- - - - - -9)。许多并发症会影响预后的中风,包括动脉粥样硬化(10)、糖尿病(9,11)、心房纤颤(12)、脑瘫(13)和某些癌症(14)。一些中风亚型与特定的并发症,导致预后恶化(15- - - - - -17)。例如,某些凝固缺陷会导致异常的创伤性损伤与血脑屏障破坏和恶化出血性中风的风险(18,19)。中风患者也可能面临困难的治疗选择,如争议的使用抗凝血剂如华法林在缺血性中风并发消化道出血的情况下(20.- - - - - -22)。多种因素的影响,导致增加了复杂性的识别和治疗中风病人预后的管理。

一些先前的研究使用机器学习解决问题与中风和其他疾病。千等人使用一个完全连接的神经网络(FCNN)来确定影响因素中风死亡率和AUC为0.8。然而,他们的主成分分析(PCA)是不要临床解释(23)。Heo使用机器学习等人建立了一个模型来预测长期的结果在急性中风,但他们只使用了六个变量分析的洛桑(星体)得分,其中不包括综合并发症和人口因素(24)。Ambale-Venkatesh等人结合机器学习与深表现型改善心血管事件的预测的准确性(25)。一些现有研究普遍缺乏整体考虑一起并存病,有时模型不是最优的。

考虑到特定的复杂性和各种因素的中风的结果,这是很难预测全球使用传统研究方法,这种研究的局限性降低预测的准确性和限制在综合考虑多种因素。我们的研究的目的是补充和利用多种并发症,实验室测试和人口因素更准确地预测死亡与中风有关,此外,异质性的推断治疗中风患者指导更好的治疗计划。

2。材料和方法

2.1。研究设计

我们进行了一项回顾性研究中风患者死亡的危险因素和训练几个机器学习(ML)模型来预测他们的死亡率在住院期间和出院后30天内。中风患者登记从重症监护医学信息集市(模拟)第四版本2.0 (26),根据国际疾病分类版本10 (icd - 10),一个公共数据集由贝斯以色列女执事医疗中心维护。研究报名期限从2008年到2019年。这项研究是通过网上认证。

病人诊断为中风包括根据icd -。我们总共8276名中风患者中提取,不含36例多次住院,757名患者的记录不包含足够的和相关的信息在一个月内从结果(超过30%)。最后,我们提取和分类的所有信息剩余的7483名患者,患者选择的流程图和数据收集所示图1一个。

图1

图1。聊天流病人的登记、模型开发和验证,评估和治疗效果。(一)流程图的病人的登记;(B)流程图机器学习模型开发和验证;(C)评估治疗的异质性效应的流程图。美食,有条件的平均处理效应;t = 1,患者华法林或白蛋白;t = 0时,病人不接受华法林或白蛋白。

2.2。原则的变量

因变量是中风患者的死亡率。参与者死于住院和出院后30天内被认为是死亡。独立变量反映社会人口状态包括年龄、性别、婚姻状况、种族、保险类型、身高、体重、体重指数(BMI)。医学变量包括病程、实验室检测和并发症。与毒品有关的信息,包括使用华法林和白蛋白,这是最常用的医学对中风病人在这个数据库。我们还包括详细的子类型的中风和中风是否复发作为独立的变量。我们排除了并发症没有明确诊断,使我们的研究可再生和可辩解的。我们获得了145毫升模型的变量。

2.3。机器学习算法和训练策略

我们使用6 ML算法,神经的决定合奏(节点)(27);CatBoost (28);XGBoost (29日);LightGBM (30.);完全连接神经网络(FCNN);和逻辑回归(LR)。

节点,一个先进的深度学习(DL)专门用于表格数据模型,使用的决策树(ODTs) (31日)较弱的学习者和继承层次结构表示和注意力从神经网络机制。每一层的节点密集连接到原始输入和训练有素的端到端通过反向传播。最后预测节点的输出平均获得的所有ODTs所有层。我们使用Quasi-Hyperbolic亚当作为优化策略,建议在原来的论文(32)。FCNN是一种常见的DL结构包含几个完全连接层,并使用ReLU作为非线性激活函数。CatBoost是gradient-boosted决策树模型(GBDTs)在2018年发布,还使用ODTs较弱的学习者。其他两个XGBoost和LightGBM GBDTs模型。我们也使用LR的比较。

所有患者被随机分配到一组测试的25%的样品看不见的模型开发和用于评估最终模型的性能。75%的训练集的样本用于建立模型。在培训期间,我们使用3-folds-cross-validation hyperparameters优化模型;对于每个时间,模型训练三分之二的训练集和验证对剩下的三分之一的训练集。DL模型,记录每一步的损失。培训在1000年终止自动如果不减少迭代。对于GBDTs,我们使用一个随机搜索算法来获取最好的模型。所示流程图模型的发展图1 b。我们用中位数来填充缺失值。

2.4。评估治疗的非均质性的影响

我们进一步估计白蛋白和华法林的治疗效果在个别病人使用Meta-learner (33)。三级评估,两个GBDTs使用在第一阶段估计条件平均治疗效果(美食)单独治疗和控制组织,其次是使用GBDT对照组结果估计建立在治疗组和治疗组的结果估计使用另一个建立在对照组,最后最后的美食是加权估计的估计在第二阶段获得的。这导致更多的因果推论个人治疗效果(ITE)。

尽管被定义为结果估计病人接受白蛋白或华法林-结果估计相同的病人没有得到白蛋白或华法林。然后我们将病人分成一致(考虑到)和不一致(In-consis)组在测试组根据他们所受的实际待遇和尽管值。这个过程中所示图1 c。

2.5。统计分析

PostgreSQL被用来从MIMIC-IV提取和存储数据。所有统计分析使用R,连续变量被报告为中间值和四分位范围(差),和分类变量被当作数字和百分比(%)。比较两组之间的连续变量,我们使用了韦尔奇t以及和Mann-WhitneyU以及,如适当。卡方检验和确切概率法是用于比较分类变量,是合适的。

3所示。结果

3.1。人口统计结果

共有7483名参与者被包括在这项研究中,与6069年和1414年的参与者在控制和死亡组,分别。的平均年龄为69.0岁(59.0 - -79.0年),和50.3%的患者是男性。总死亡率为18.9% (95% CI 18.0 - -19.8%)。

比较人口状态所示表1。死亡组比对照组(74.0和68.0,p< 0.001)。大部分的参与者在对照组结婚(45.6%,95%置信区间44.3 - -46.9%),其比例高于死亡组(37.6%,95%置信区间35.1 - -40.2%)。单身和离婚的比例显示相同的牵引。然而,丧偶的人的比例显示了相反的趋势。丧偶的人的比例为20.9% (95% CI 18.8 -23.1%)死亡组和14.5%(95%可信区间13.6 - -15.4%),对照组。的身体质量指数(BMI)死亡组低于对照组(26.3和27.3,p< 0.001)。没有发现显著差异在性别或种族。

表1

表1。人口现状的比较。

3.2。模型预测性能

我们计算精度(ACC),接受者操作特征曲线下的面积(AUC),这是衡量的能力真阳性和假阳性,精密分数(Prec),和F-measure (F1),这是一个综合指标反映出真阳性率和敏感率。在培训期间,验证AUC曲线所示图2一个由于三倍交叉验证,展品振荡。每个模型的预测性能表2。GBDTs和节点的性能接近可接受的水平。CatBoost ACC最高。前的。,一个nd F1 (ACC: 0.8993 [0.8972–0.9014]; Prec.: 0.8155 [0.8072–0.8214]; AUC: 0.9217 [0.9188–0.9238]; F1: 0.6805 [0.6735–0.6855]), XGBoost has the highest F1 (ACC.: 0.8969 [0.8955–0.8987]; Prec.: 0.7783 [0.7689–0.7841]; AUC: 0.9175 [0.9153–0.9194]; F1: 0.6890 [0.6824–0.6939]). However, FCNN performed worse than GBDTs in ACC., AUC, and F1 (ACC.: 0.8726 [0.8699–0.8744]; Prec.: 0.8129 [0.8021–0.8227]; AUC: 0.8796 [0.8763–0.8832]; F1: 0.5328 [0.5231–0.5391]). LR has the lowest Prec. and AUC (ACC.: 0.8753 [0.8729–0.8773]; Prec.: 0.7298 [0.7206–0.7372]; AUC: 0.8591 [0.8555–0.8622]; F1: 0.6003 [0.5923–0.6069]). Additionally, we demonstrated the receiver operating characteristic (ROC) curve in图2 b。

图2

图2。机器学习模型的预测性能测试集。(一)验证接受者操作特征曲线下面积在三个折交叉验证;(B)接受者操作特性曲线的机器学习模型;(C)CatBoost的混淆矩阵。节点,神经的决定集合体;FCNN完全连接神经网络;逻辑,逻辑回归;接受者操作特征曲线下面积,AUC;iter。,iterations.

表2

表2。每个模型的预测性能。

3.3。识别的异型的治疗效果

我们提出的死亡率(FR)治疗组,对照组,考虑到。集团和In-consis。华法林和白蛋白图3 a, C,分别。我们还演示了他们的平均治疗效果(吃),这是图3 b, D。计算吃的因素是否符合病人的实际治疗尽管(考虑到),治疗被认为是作为一个中介和控制。同时,子类型的中风,中风复发,年龄,性被认为是混杂因素的计算标准化死亡率鼻中隔黏膜下切除术后()和吃了都考虑到。和治疗。在吃的估计,我们使用增强逆概率加权(AIPW) (34)纠正或值。此外,我们计算控制直接影响(CDE)和自然的直接影响(NDE) (35),其中,CDE措施是否一个特定的病人的结果可以改进,如果他们已经治疗(或考虑。)当混杂因素保持在预定的水平,而濒死经历是混杂因素在未经处理的条件下固定在同一水平。CDE和濒死经历的斜率线性回归。

图3

图3。治疗的识别异质性效应。(一)死亡不同的华法林治疗组;(B)死亡不同的白蛋白治疗组;(C)华法林治疗组的平均治疗效果;(D)平均人类白蛋白治疗组的治疗效果。FR,死亡率;,标准化死亡率;SMR^一个控制年龄和性别、标准化死亡率;SMR^b、标准化死亡率控制年龄、性别、和所有中风亚型;或者,比值比;adj-OR,调整后的优势比增强逆概率权重;CDE,控制直接影响;濒死经历,自然的直接影响。

在测试组的患者(1871),1706名(91.2%)患者采取了华法林治疗被认为是适合987(用华法林治疗的57.3%)患者中,96(58.2%的摘要与华法林患者被认为是应该在华法林。294例(15.7%)患者的白蛋白治疗组;821(52.1%的摘要与白蛋白)患者的模型被认为是应该治疗。

我们观察到一个较低的死亡率(FR)考虑。In-consis。(考虑到与In-consis:华法林,14.1%和25.6%,p< 0.0001;在白蛋白,13.3%和22.4%,p< 0.0001)。鼻中隔黏膜下切除术后校正混杂因素后仍然显著差异(^b考虑到:在华法林,0.82,95%置信区间CI: 0.75 - -0.89;在白蛋白,0.84,95%置信区间:0.76—-0.93)。比值比(或),AIPW调整或(adj-OR), CDE和濒死经历的考虑。仍显著低于治疗,除了CDE白蛋白(考虑到。:−0.08,95% CI: 0.10−−0.06);白蛋白:−0.06)。考虑到的adj-OR。华法林是0.54(0.47 - -0.62)和白蛋白是0.66(0.57 - -0.76),表明一个强大的保护因素。CDE和濒死经历也表明,考虑到。对结果有直接影响(影响治疗比率和其他混杂因素)。

3.4。模型的解释

CatBoost展品ACC最高。前的。,一个nd F1. Thus, we conducted a Shapley Additive Explanations (SHAP) analysis to reveal the distribution of the effect of each input acting on CatBoost.图4一显示了一个世鹏科技电子总结情节按特性的重要性排名前20位的重要特性,其中每一个点代表一个样本,每个特性的水平坐标是世鹏科技电子价值。更高强度的红色代表更高的功能价值,而高强度的蓝色显示较低的功能价值。

图4

图4。解释模型利用夏普利添加剂(世鹏科技电子)分析解释。(一)CatBoost变量的重要性;(B)变量来解释华法林治疗异质性的重要性;(C)变量来解释人类的重要性白蛋白治疗异质性。ODNS,其他神经系统疾病;白细胞,白细胞计数;、相关、血糖;MNISUS,恶性肿瘤的不明确,二次和不明网站;odr,其他呼吸系统疾病;红细胞,红细胞计数;包子,尿素氮;RDW、红细胞分布宽度;CPAOPS、脑瘫等麻痹症状; DBP, diastolic blood pressure; RDW-SD, standard deviation of red blood cell distribution width; HCO₃₋血碳酸氢;SBP收缩压;HB,血红蛋白;PLC)、血小板计数;钠、血钠;HCT、血细胞比容;MCHC,平均红细胞血红蛋白浓度;钙、血清钙;K,血液钾;NSSD、神经质与躯体形式障碍; LDDEA, lung diseases due to external agents; Cl, blood chloride; HDL, high-density lipoprotein; LDL, low-density lipoprotein; AG, anion gap, PH; phosphoric acid.

首先,氧饱和度越低(热点₂),世鹏科技电子价值越高,这意味着病人更有可能死亡。保护性因素是红细胞计数(RBC),紧随其后的是体重,病程和碳酸氢盐血液(HCO₃₋)。最重要的危险因素是神经系统其他疾病(ODNS),其次是白细胞计数(WBC),年龄、葡萄糖(相关),和不明确的恶性肿瘤,中等和不明网站(MNISUS)。我们还提出了华法林的世鹏科技电子块Meta-learner (图4 b)和白蛋白(图4 c)表明该变量更重要的治疗影响异质性的推理。

4所示。讨论

中风仍然是最具破坏性的和普遍的神经系统疾病在世界范围内,每年许多人负责残疾或死亡,戴利显著增加(36,37)。的环境中我们的研究的重要性中风死亡率是公认的特性在这项研究可以识别的因素显著相关死亡率和使用统计方法和ML模型治疗效果。

我们分析了人口因素的分布包括在这项研究。老年人更容易中风和严重的临床结果(38),这与我们的研究是一致的。我们还发现BMI较高患者卒中后更有可能存活下来(控制与死亡,26.3和27.3,p< 0.001),然而,这种联系可能取决于年龄(39)。此外,我们发现更多的病人与对照组比其他类型的保险死亡组(控制与死亡,47.9和39.8%,95%可信区间(控制),46.6 - -49.1%)。其他保险状态包括没有保险,雇主提供的保险计划,和个人医疗保险,其中大多数是商业保险,这可能与一个更好的经济水平。

本研究表明,毫升的使用方法可以帮助预测中风后死亡。我们所知,本研究达到了最高的AUC (AUC: 0.9217 (0.9188 - -0.9238))。先前的研究已经表明,FCNN或深神经网络(款)是最好的模型预测中风后死亡率和优于其他传统ML模型(23,24)。然而,在我们的研究中,FCNN比GBDTs和节点(ACC执行。:0.8857 (0.8833 - -0.8874);AUC: 0.9008 [0.8975 - -0.9029])。最高的ML模型表现CatBoost和其他GBDTs取得高绩效。基于树模型更适合结构化医疗数据出现,无论与整体模型实现方法,如GBDTs、或layer-wise结构,如节点。然而,GBDTs和DL模型有自己的优势。GBDTs可以帮助达到相对较高的精度在很短的时期。DL模型是完全可微和可扩展的,这意味着研究人员可以任意改变模型结构以适应数据更好。

我们进一步用meta-learner确定异构中风人群的治疗效果。我们观察到55.6%的华法林当前使用(或不使用)和52.1%的白蛋白治疗现状(或控制)模型在测试集被认为是不合适的。甚至在控制了治疗因素、人口因素和亚型,生存结果仍明显好那些符合模型比那些不一致的判断。外推法治疗效果的人口水平不一定在个别病人(34异构性)和治疗一直在报道存在中风患者(40)。然而,尽管在中风患者稀缺的研究(41),我们最好的知识,没有讨论华法林和白蛋白等常用药物(42- - - - - -45)。我们的研究表明,毫升可以用来帮助确定异构反应患者治疗中风患者,从而做出更好的治疗方案。

毫升是一个很好的预测工具,通常具有较高的精度。然而,它一直被认为是一个“黑盒”,表明可解释性差。在我们的研究中,我们进行了世鹏科技电子分析来解释我们的一个最好的模型和获得一些风险和保护因素可以帮助更好地理解各种因素的作用在中风后死亡。大部分的结果符合临床知识(46- - - - - -49)。此外,我们表明,20个变量被认为是最重要的模型估计治疗异质性,主要实验室指标,值得进一步研究。这些结果可以在后续研究中引用作为重要变量的筛选来缩小范围。

在总结中,我们使用一些高度解释机器学习模型预测中风预测精度最高的日期和确定异构治疗中风患者华法林和白蛋白的影响。我们的解释模型的发现了一定数量的符合临床知识和值得进一步的研究和验证。

我们的研究有一些局限性。我们使用的数据只包括住院病人从一个医院。这些住院病人已经中风和通常有更严重的影响比中风患者的平均人口条件(50,51)。这狭窄的范围可能会限制我们的结果的普遍适用性。因为这是第一个研究使用机器学习来分析这样一个广泛的变量在一个人口复杂疾病因素,如同时出血性中风和缺血性中风[839(11.2%)],我们没有进行进一步的分析和推断的结论。在进一步的研究中,我们将探索深度影响因素生存或治疗效果和组中风亚型进一步得出结论。

数据可用性声明

最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。

道德声明

研究涉及人类受试者通过麻省理工学院的(Cambridge, MA)和贝斯以色列女执事医疗中心(波士顿)。书面知情同意参与这项研究并不需要按照国家法律和制度需求。

作者的贡献

EZ:实验设计、数据分析、模型开发和手稿写作。佐:数据采集、数据分析和写作手稿。PA:实验设计、数据分析和写作手稿。JW:实验设计和写作手稿。MZ和ZX:数据分析和模型的发展。莱托:数据分析和手稿修改。咱:实验设计和手稿修改。所有作者的文章和批准提交的版本。

资金

这项研究得到了上海浦东卫生委员会医学学科建设项目(批准号:PWYgy2021-02)。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用

1。纸巾GJ,黑DJ。这是一个中风吗?BMJ。(2015)350:h56。doi: 10.1136 / bmj.h56