Возможности машинного обучения в прогнозировании ранних функциональных исходов у пациентов с инсультом

Обложка

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.

Об 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, Архангельск

Алексей 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, Архангельск

Зохра 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

  1. 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
  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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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
  19. 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
  20. 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
  21. 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
  22. 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
  23. 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
  24. 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
  25. 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
  26. 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
  27. 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
  28. 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
  29. 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

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Отобранные признаки для прогнозирования исхода nihss_dis.

Скачать (715KB)
3. Рис. 2. Отобранные признаки для прогнозирования исхода rank_dis.

Скачать (709KB)
4. Рис. 3. ROC-AUC алгоритма RF для модели I на валидационной выборке. ROC-AUC ― метрика оценки качества модели машинного обучения; RF ― метод случайного леса.

Скачать (749KB)
5. Рис. 4. ROC-AUC алгоритма RF для модели II на валидационной выборке. ROC-AUC ― метрика оценки качества модели машинного обучения; RF ― метод случайного леса.

Скачать (696KB)
6. Рис. 5. Важность выбранных переменных для прогнозирования для модели I с исходом nihss_dis.

Скачать (662KB)
7. Рис. 6. Важность выбранных переменных для прогнозирования для модели II с исходом rank_dis.

Скачать (678KB)
8. Рис. 7. Пример использования калькулятора для прогнозирования раннего функционального исхода инсульта.

Скачать (889KB)

© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».