Prediction of futile recanalisation after endovascular treatment in acute ischaemic stroke: development and validation of a hybrid machine learning model

机器学习 特征选择 判别式 危险分层 医学 围手术期 人工智能 计算机科学 外科 内科学
作者
Ximing Nie,Jian Yang,Xinxin Li,Tianming Zhan,Dongdong Liu,Yan H,Yufei Wei,Xiran Liu,Jiaping Chen,Guoyi Gong,Zhengyu Wu,Zhi‐gang Yang,Wen Ma,Weibin Gu,Yuesong Pan,Yong Jiang,Xia Meng,Tao Liu,Jian Cheng,Zixiao Li,Zhongrong Miao,Liping Liu
出处
期刊:Stroke and vascular neurology [BMJ]
卷期号:: svn-002500
标识
DOI:10.1136/svn-2023-002500
摘要

Background Identification of futile recanalisation following endovascular therapy (EVT) in patients with acute ischaemic stroke is both crucial and challenging. Here, we present a novel risk stratification system based on hybrid machine learning method for predicting futile recanalisation. Methods Hybrid machine learning models were developed to address six clinical scenarios within the EVT and perioperative management workflow. These models were trained on a prospective database using hybrid feature selection technique to predict futile recanalisation following EVT. The optimal model was validated and compared with existing models and scoring systems in a multicentre prospective cohort to develop a hybrid machine learning-based risk stratification system for futile recanalisation prediction. Results Using a hybrid feature selection approach, we trained and tested multiple classifiers on two independent patient cohorts (n=1122) to develop a hybrid machine learning-based prediction model. The model demonstrated superior discriminative ability compared with other models and scoring systems (area under the curve=0.80, 95% CI 0.73 to 0.87) and was transformed into a web application (RESCUE-FR Index) that provides a risk stratification system for individual prediction (accessible online at fr-index.biomind.cn/RESCUE-FR/). Conclusions The proposed hybrid machine learning approach could be used as an individualised risk prediction model to facilitate adherence to clinical practice guidelines and shared decision-making for optimal candidate selection and prognosis assessment in patients undergoing EVT.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
哭泣的映寒完成签到 ,获得积分10
2秒前
mrwang完成签到 ,获得积分10
6秒前
mia完成签到,获得积分10
10秒前
13秒前
稳重的秋天完成签到,获得积分20
15秒前
YC发布了新的文献求助10
19秒前
乃惜完成签到,获得积分10
30秒前
YC完成签到,获得积分10
32秒前
细心的如天完成签到 ,获得积分10
33秒前
Aurora完成签到 ,获得积分10
35秒前
btcat完成签到,获得积分10
47秒前
丹青完成签到 ,获得积分10
50秒前
pphss完成签到,获得积分10
53秒前
Jack80发布了新的文献求助200
54秒前
zgtmark完成签到,获得积分10
55秒前
温暖完成签到 ,获得积分10
1分钟前
碧蓝雁风完成签到 ,获得积分10
1分钟前
Kidmuse完成签到,获得积分10
1分钟前
困困困完成签到 ,获得积分10
1分钟前
ylkk完成签到 ,获得积分10
1分钟前
nuliguan完成签到 ,获得积分10
1分钟前
1分钟前
晚街听风完成签到 ,获得积分10
1分钟前
franca2005完成签到 ,获得积分10
1分钟前
kxdxng完成签到,获得积分10
1分钟前
婳祎完成签到 ,获得积分10
1分钟前
喵了个咪完成签到 ,获得积分10
1分钟前
烽烽烽发布了新的文献求助30
1分钟前
skippy完成签到 ,获得积分10
2分钟前
yy完成签到 ,获得积分10
2分钟前
t铁核桃1985完成签到 ,获得积分10
2分钟前
dhdhg完成签到 ,获得积分10
2分钟前
wguanmc完成签到,获得积分10
2分钟前
苏子轩完成签到 ,获得积分10
2分钟前
最美夕阳红完成签到,获得积分10
2分钟前
幽默的谷梦完成签到,获得积分10
2分钟前
如意竺完成签到,获得积分10
2分钟前
想飞的熊完成签到 ,获得积分10
2分钟前
属实有点拉胯完成签到 ,获得积分10
2分钟前
别具一格完成签到 ,获得积分10
2分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3052652
求助须知:如何正确求助?哪些是违规求助? 2709874
关于积分的说明 7418267
捐赠科研通 2354453
什么是DOI,文献DOI怎么找? 1246090
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921