利用人工智能系统预测大面积脑梗死患者的转归.pdf

本文探讨了如何利用人工智能系统预测大面积脑梗死患者的转归，尤其关注脑疝的发生，这是一种严重影响患者生存状况的并发症。研究通过回顾性调查收集了74名大面积脑梗死患者的数据，其中19名患者发生了脑疝。研究人员分析了44项临床、生化和影像学指标，旨在建立有效的预测模型。 在单因素模型中，发现梗死最大截面面积是最具预测性的因子，其预测效果最佳，当以40cm为截断点时，敏感度达到0.93，特异度为0.64。此外，研究还采用了逻辑回归（LR）、随机森林（RF）和人工神经网络多层感知机（MLP）建立多因素预测模型。这些模型的敏感度和特异度各有不同，其中RF模型的敏感度最高，为0.95，特异度为0.74，AUROC（受试者工作特征曲线下面积）为0.92，显示其预测效果优于其他模型。 大面积脑梗死是一种高死亡率的神经系统疾病，约占所有脑梗患者的10%。早期干预对改善预后至关重要。人工智能在此领域的应用日益广泛，包括预测哮喘恶化、糖尿病发生、癌症手术预后以及婴儿出生缺陷等。本研究旨在建立一个自动化系统，以帮助临床医生在早期准确预测大面积脑梗患者的预后，从而制定最佳治疗方案。 研究人群来自2008年至2012年湘雅三医院神经内科ICU的脑梗死患者，选择符合标准的大面积脑梗死患者共74人。入选标准包括明确的临床表现、影像学证据以及梗死面积要求。排除标准则包括短期出院、继发脑出血和其他器官功能衰竭等情况。 预后判断依据是住院期间是否出现瞳孔变化，尤其是单侧瞳孔扩大，这通常标志着脑疝形成。数据采集涵盖了患者的年龄、性别、既往病史、生理参数、NIHSS评分（神经功能缺损评分）以及一系列实验室检查和影像学指标。 人工智能技术如随机森林模型在预测大面积脑梗死患者脑疝发生方面表现出较高的准确性和预测价值。这一发现对于改进临床决策支持系统，提前识别高风险患者并采取及时干预具有重要意义。未来的研究可以进一步优化这些模型，提高预测精度，并结合更多的临床数据，以实现更个性化和精准的医疗。