Mašīnmācīšanās modeļa izveide akūta insulta funkcionālā iznākuma un intrahospitālās mirstības prognozēšanai.

Abstract

Ievads: Insults ir otrs biežākais nāves un trešais biežākais invaliditātes cēlonis pasaulē. Pacientu nāve atrodoties stacionārā pēc akūta insulta jeb intrahospitālā mirstība vēljoprojām saglabājas augsta. Šī iemesla dēļ ir būtiski identificēt faktorus, kas nošķir intrahospitāli mirušos pacientus no izdzīvojušajiem, kā arī identificēt faktorus, kas raksturo viņu gala funkcionālo iznākumu, lai ārsti gūtu skaidrāku priekšstatu par pacienta prognozi un potenciāliem terapijas mērķiem. Šo faktoru identifikācija var būt izteikti sarežģīta, ņemot vērā milzīgo informācijas apjomu, kas klīnicistam ir pieejams par pacientu, taču mākslīgais intelekts un mašīnmācīšanās algoritmi paver iespēju apstrādāt šāda mēroga datus un rast secinājumus, kas ar klasiskās statistikas metodēm nebūtu iespējams. Metodes: Tika veikts retrospektīvs gadījuma kontroles pētījums, kurā iekļauti 1915 akūta insulta pacienti no PSKUS 2022. – 2023. gada Res-Q reģistra datiem. Dati tika apstrādāti ar mašīnmācīšanās (ML) algoritmu programmatūru WEKA, izveidojot divus modeļus – intrahospitālās mirstības un modificētās Rankina skalas (mRs) paredzēšanai. Tika salīdzināti četri modeļi – loģistiskā regresija, Multilayer Perception neirālais tīkls, C4.5 lēmumu pieņemšanas koks un Support Vector Machine – SMO. Modeļu sniegums tika izvērtēts pēc Reciever operating characteristics curve (ROC) un Precision Recall curve (PRC) laukuma zem līknes (Area under the curve – AUC) , precizitātes, atsauces, F rezultāta un Matthew Correlation Coefficient (MCC). Tika izvēlēts viens modelis ar vislabāko sniegumu interpretācijas analīzei. Modeļa aprakstītie parametri un to būtiskums modeļa sniegumā tika izvērtēts, lai raksturotu insulta intrahospitālo mirstību un funkcionālo iznākumu. Rezultāti: Labākais modelis intrahospitālās mirstības paredzēšanai bija loģistiskā regresija ar svērto vidējo PRC AUC – 0.949, un labākais modelis mRs funkcionālā iznākuma paredzēšanai arī bija loģistiskā regresija ar svērto vidējo ROC AUC – 0.801. Intrahospitālo mirstību raksturojošie faktori tika identificēti – NIHSS punktu, GCS punktu skaits, pēc insulta pneimonija, pēc insulta komplikācijas, vecums, ergoterapija, glikozes līmenis asinīs, drudzis, audiologopēda konsultācija, fizioterapija, karotīdas attēldiagnostika, CHA¬2DS2-VASc punktu skaits, nepieciešamība pacientu ventilēt, izolēta trombolīze, attēldiagnostika vienas stundas laikā, pēc insulta PATE, trombembolija, oklūzija a. cerebri anterior, pēc insulta recidīvs, vecs infarkts, kombinēta trombektomijas un trombolīzes terapija, pēc insulta urīnceļu infekcija un izolēta trombektomijas terapija. Secinājumi: Loģistikās regresijas modeļi efektīvi paredzēja gan intrahospitālo mirstību, gan pacientu funkcionālo iznākumu pēc mRs. Ņemot vērā trombolīzes, trombektomijas un kombinētās terapijas vājo būtiskumu modeļa sniegumā, tos nevarēja uzticami izmantot, lai raksturotu pacientu terapijas efektivitāti.

Introduction: Stroke is the second most common cause of death and third most common cause of disability worldwide. Death during the patient’s stay in the hospital also referred to as in-hospital mortality remains alarmingly high. For this reason, it is vital to identify the factors that characterize acute stroke in-hospital mortality as well as the patients’ functional outcomes, so that doctors would be more informed about the prognosis as well as set potential target for therapy. The identification of these risk factors can be most difficult considering the vast scope of data available to the physician, however, artificial intelligence and machine learning (ML) algorithms are designed for dealing with such magnitudes of information, therefore they are more capable of inferring conclusions from large scale data than the classical statistical methods. Methods: A retrospective case – control study was performed on 1915 acute stroke patients from PSKUS hospital’s 2022. – 2023. Res-Q register’s data. Using the WEKA program there were two machine learning models that were developed to predict in-hospital mortality and modified Rankin Scale (mRS). The Wrapper method was used to select the most valuable parameters from the initial 173 to 24 for IM and 25 for mRS. Four ML models – Logistic Regression, Multilayer Perception Neural Network, C4.5 Decision Tree and SMO Support Vector Machine were evaluated using the Receiver Operating Characteristic (ROC) curve’s and Precision Recall curve’s (PRC) area under the curve (AUC), Precision, Recall, F – measure and Matthew Correlation Coefficient (MCC). The model with the best performance was selected for interpretation analysis. Each parameter’s merit to the model’s performance was evaluated with respect to IM and mRS. Results: The best model for the prediction of in-hospital mortality was Logistic Regression with the weighted average PRC AUC of 0.949, and the best model for mRS prediction was also Logistic Regression with the weighted average ROC AUC of 0.801. The parameters identifying in-hospital mortality was identified as such: NIHSS scale, GCS scale, post stroke pneumonia, post stroke complications, age, occupational therapy, glucose, fever, speech therapy, physiotherapy, carotid imaging, CHA¬2DS2-VASc scale, ventilation of the patient, only thrombolysis therapy, imaging within one hour, post stroke pulmonary embolism, anterior cerebral artery occlusion, post stroke recurrence, old infarcts, combined thrombolysis and thrombectomy therapy, post stroke urinary tract infection, only thrombectomy therapy. Conclusions: Logistic Regression models accurately predicted in-hospital mortality and the functional outcomes measured through mRS. Considering that thrombolysis, thrombectomy and the combined therapy had an insignificant merit on the model’s performance, they could not be used the evaluate the efficacy of acute stroke therapy.