Возможности машинного обучения в прогнозировании ранних функциональных исходов у пациентов с инсультом
- Авторы: Черных Е.М.1, Хасанова Н.М.1, Карякин А.А.1, Джафарова З.Э.1, Клюкас А.А.1
-
Учреждения:
- Северный государственный медицинский университет
- Выпуск: Том 7, № 2 (2025)
- Страницы: 82-94
- Раздел: ОРИГИНАЛЬНОЕ ИССЛЕДОВАНИЕ
- URL: https://journal-vniispk.ru/2658-6843/article/view/314422
- DOI: https://doi.org/10.36425/rehab678920
- EDN: https://elibrary.ru/JEMEVO
- ID: 314422
Цитировать
Полный текст
Аннотация
Обоснование. Задача создания универсального прогностического инструмента для пациентов с инсультом до конца не решена.
Цель исследования ― на основе алгоритмов машинного обучения разработать модели, способные с первых суток от дебюта инсульта прогнозировать функциональный исход с оценкой по шкале инсульта Национального института здоровья США (NIHSS) и модифицированной шкале Рэнкина (mRs) при выписке из стационара на основании клинико-анамнестических предикторов.
Методы. На основе базы данных, созданной из 5225 записей о пациентах с инсультом, выписанных из неврологических отделений, разработаны модели на основе алгоритмов Artificial Neural Network (ANN) и Random Forest (RF). Использовали 21 переменную, включая демографические данные пациентов, исходные баллы по NIHSS и mRS, тип инсульта, время от начала заболевания до госпитализации, сведения о сопутствующих заболеваниях и выполненной экстренной реваскуляризации. Прогнозировали исходы с оценкой в баллах по шкалам NIHSS и mRs. Алгоритмы решали задачу классификации по множественному набору значений исхода: 26 классов для модели I (0–25 баллов по NIHSS) и 6 классов для модели II (0–5 баллов по mRs). Качество моделей оценивали с помощью метода площади под кривой операционной характеристики приёмника (ROC-AUC). Вклад каждого предиктора в результат прогнозирования оценивали с помощью метода SHapley Additive exPlanations (SHAP).
Результаты. Определены результаты прогностической эффективности ANN по AUC-ROC: 0,771 для модели I и 0,844 для модели II. RF AUC-ROC составила 0,778 для модели I и 0,845 для модели II. Для дальнейшей работы выбран алгоритм RF ввиду его лучшей интерпретируемости. Наиболее значимыми признаками, влияющими на прогнозируемые исходы, стали исходные значения NIHSS и mRs, возраст пациента, время доезда до стационара от начала инсульта, тип инсульта. При проверке эффективности алгоритма RF на внешней валидационной выборке из 783 записей показатели ROC AUC cоставили 0,786 для модели I и 0,774 для модели II. Для практического применения создан калькулятор.
Заключение. Разработанные модели на основе алгоритма RF способны в течение первых суток от начала инсульта достоверно прогнозировать ранний функциональный исход с оценкой по NIHSS и mRs на основании клинико-анамнестических предикторов. Полученный инструмент полезен для формирования персонифицированных терапевтических и реабилитационных стратегий в острый период инсульта. Универсальность использования моделей позволяет их применение в удалённых сельских медицинских учреждениях с дефицитом или отсутствием профильных специалистов и диагностического оборудования.
Полный текст
Открыть статью на сайте журналаОб авторах
Екатерина Михайловна Черных
Северный государственный медицинский университет
Автор, ответственный за переписку.
Email: raduga0302@mail.ru
ORCID iD: 0000-0002-6523-7071
SPIN-код: 8296-2286
Россия, Архангельск
Нина Минувалиевна Хасанова
Северный государственный медицинский университет
Email: khasanovanina@rambler.ru
ORCID iD: 0000-0003-0729-3726
SPIN-код: 6834-6281
канд. мед. наук, доцент
Россия, АрхангельскАлексей Андреевич Карякин
Северный государственный медицинский университет
Email: biophyzica@yandex.ru
ORCID iD: 0000-0002-4458-8702
SPIN-код: 7296-3303
канд. техн. наук, доцент
Россия, АрхангельскЗохра Эйвазовна Джафарова
Северный государственный медицинский университет
Email: zohrajafarova@yandex.ru
ORCID iD: 0009-0003-2429-9158
Россия, Архангельск
Алексей Артемович Клюкас
Северный государственный медицинский университет
Email: alexeythekly@gmail.com
ORCID iD: 0009-0005-3428-187X
Россия, Архангельск
Список литературы
- Bösel J, Mathur R, Cheng L, et al. AI and neurology. Neurol Res Pract. 2025;7(1):11. doi: 10.1186/s42466-025-00367-2
- AbuAlrob MA, Mesraoua B. Harnessing artificial intelligence for the diagnosis and treatment of neurological emergencies: A comprehensive review of recent advances and future directions. Front Neurol. 2024;15:1485799. doi: 10.3389/fneur.2024.1485799
- Mainali S, Darsie ME, Smetana KS. Machine learning in action: Stroke diagnosis and outcome prediction. Front Neurol. 2021;12:734345. doi: 10.3389/fneur.2021.734345
- Abedi V, Kawamura Y, Li J, et al. Editorial: Machine learning in action: Stroke diagnosis and outcome prediction. Front Neurol. 2022;13:984467. doi: 10.3389/fneur.2022.984467
- Abedi V, Khan A, Chaudhary D, et al. Using artificial intelligence for improving stroke diagnosis in emergency departments: A practical framework. Ther Adv Neurol Dis. 2020;13:1756286420938962. doi: 10.1177/1756286420938962
- Rajashekar D, Hill MD, Demchuk AM, et al. Prediction of clinical outcomes in acute ischaemic stroke patients: A comparative study. Front Neurol. 2021;12:663899. doi: 10.3389/fneur.2021.663899
- Yang Y, Tang L, Deng Y, et al. The predictive performance of artificial intelligence on the outcome of stroke: A systematic review and meta-analysis. Front Neurol. 2023;17:1256592. doi: 10.3389/fnins.2023.1256592
- Qu S, Zhou M, Jiao S, et al. Optimizing acute stroke outcome prediction models: Comparison of generalized regression neural networks and logistic regressions. PLOS One. 2022;17(5):e0267747. doi: 10.1371/journal.pone.0267747
- Lee J, Park KM, Park S. Interpretable machine learning for prediction of clinical outcomes in acute ischemic stroke. Front Neurol. 2023;14:1234046. doi: 10.3389/fneur.2023.1234046
- Gaviria E, Eltayeb Hamid AH. Neuroimaging biomarkers for predicting stroke outcomes: A systematic review. Health Sci Rep. 2024;7(7):e2221. doi: 10.1002/hsr2.2221
- Pedersen M, Verspoor K, Jenkinson M, et al. Artificial intelligence for clinical decision support in neurology. Brain Commun. 2020;2(2):fcaa096. doi: 10.1093/braincomms/fcaa096
- Wang W, Kiik M, Peek N, et al. A systematic review of machine learning models for predicting outcomes of stroke with structured data. PLOS One. 2020;15(6):e0234722. doi: 10.1371/journal.pone.0234722
- Alyasein S, Alqaran R, Al-Aiad A. Using machine learning algorithms for predicting stroke disease-2024. In: 15th International Conference on Information and Communication Systems (ICICS), Irbid, Jordan; 2024. P. 1–6. doi: 10.1109/ICICS63486.2024.10638280
- Heo J, Yoon JG, Park H, et al. Machine learning-based model for prediction of outcomes in acute stroke. Stroke. 2019;50(5):1263–1265. doi: 10.1161/STROKEAHA.118.024293
- Daidone M, Ferrantelli S, Tuttolomondo A. Machine learning applications in stroke medicine: Advancements, challenges, and future prospectives. Neural Reg Res. 2024;19(4):769–773. doi: 10.4103/1673-5374.382228
- Jeon ET, Jung SJ, Yeo TY, et al. Predicting short-term outcomes in atrial-fibrillation-related stroke using machine learning. Front Neurol. 2023;14:1243700. doi: 10.3389/fneur.2023.1243700
- Chernykh EM, Khasanova NM, Grzhibovsky AM, Bogdanova AI. Functional predictor variables in the acute period of stroke in patients living in the Arctic Macroregion: Multivariate modeling findings. Physical and rehabilitation medicine, medical rehabilitation. 2024;6(4):336–347. doi: 10.36425/rehab637339 EDN: LNEYEF
- Van der Groen O, Ghosh M, Norman R, et al. Point of view on outcome prediction models in post-stroke motor recovery. Neurorehab Neural Rep. 2024;38(5):386–398. doi: 10.1177/15459683241237975
- Kiær C, Lundquist CB, Brunner I. Knowledge and application of upper limb prediction models and attitude toward prognosis among physiotherapists and occupational therapists in the clinical stroke setting. Top Stroke Rehabil. 2021;28(2):135–141. doi: 10.1080/10749357.2020.1783915
- Man S, Bruckman D, Uchino K, et al. Rural hospital performance in guideline-recommended ischemic stroke thrombolysis, secondary prevention, and outcomes. Stroke. 2024;55(10):2472–2481. doi: 10.1161/STROKEAHA.124.047071
- Loccoh EC, Joynt Maddox KE, Wang Y, et al. Rural-urban disparities in outcomes of myocardial infarction, heart failure, and stroke in the United States. J Am College Cardiol. 2022;79(3):267–279. doi: 10.1016/j.jacc.2021.10.045
- Ali F, Hamid U, Zaidat O, et al. Role of artificial intelligence in telestroke: An overview. Front Neurol. 2020;11:559322. doi: 10.3389/fneur.2020.559322
- Zhou Y, Wu D, Yan S, et al. Feasibility of a clinical-radiomics model to predict the outcomes of acute ischemic stroke. Korean J Radiol. 2022;23(8):811–820. doi: 10.3348/kjr.2022.0160
- Loggini A, Saleh Velez FG, Hornik J, et al. Validation of prognostic scales for functional outcome in ischemic stroke patients treated with intravenous thrombolysis in a rural setting. Cerebrovasc Dis Extra. 2024;14(1):148–157. doi: 10.1159/000541801
- Alaka SA, Menon BK, Brobbey A, et al. Functional outcome prediction in ischemic stroke: a comparison of machine learning algorithms and regression models. Front Neurol. 2020;11:889. doi: 10.3389/fneur.2020.00889
- Heo J, Yoon JG, Park H, et al. Machine learning-based model for prediction of outcomes in acute stroke. Stroke. 2019;50(5):1263–1265. doi: 10.1161/STROKEAHA.118.024293
- Çelik G, Baykan ÖK, Kara Y, Tireli H. Predicting 10-day mortality in patients with strokes using neural networks and multivariate statistical methods. J Stroke Cerebrovasc Dis. 2014;23(6):1506–1512. doi: 10.1016/j.jstrokecerebrovasdis.2013.12.018
- Zahidi NF, Tukiran Z, Tukiran I. Analyzing Classification Models: Random Forest vs. Neural Networks in Health Prediction. In: 2024 International Conference on Future Technologies for Smart Society (ICFTSS). Kuala Lumpur, Malaysia; 2024. P. 183–187. doi: 10.1109/ICFTSS61109.2024.10691342
- Khairunnisa A, Notodiputro KA, Sartono B. A comparative study of random forest and double random forest models from view points of their interpretability. Sci J Inform. 2024;11(1). doi: 10.15294/sji.v11i1.48721
Дополнительные файлы
