换一批经胸右心声学造影及经食管超声心动图联合临床及实验室指标机器学习模型预测卵圆孔未闭相关卒中
Machine learning models based on contrast-transthoracic echocardiography and transesophageal echocardiography combined with clinical and laboratory indicators for predicting patent foramen ovale-associated stroke
摘要目的 观察基于经胸右心声学造影(cTTE)及经食管超声心动图(TEE)联合临床及实验室指标机器学习(ML)预测卵圆孔未闭相关卒中(PFO-AS)的价值.方法 回顾性纳入313例经cTTE及TEE诊断的PFO患者,其中65例合并缺血性脑卒中且明确为PFO-AS(PFO-AS组),以其余248为非PFO-AS组.按7:3比例划分为训练集(n=219,含48例PFO-AS及171例非PFO-AS)与测试集(n=94,含17例PFO-AS及77例非PFO-AS).基于训练集数据采用单因素及多因素logistic回归(LR)分析临床、实验室指标及cTTE、TEE参数,筛选PFO-AS的独立预测因素,并以之构建LR、K近邻法(KNN)、支持向量机(SVM)、随机森林(RF)、决策树(DT)、反向传播神经网络(BPNN)和梯度提升机(GBM)共7种ML模型;评估各模型预测PFO-AS效能并筛选最优模型.结果 患者年龄＞49～69岁、既往吸烟史、血浆白蛋白≥43.8 g/L,以及cTTE显示静息态下存在大量右向左分流和TEE示合并房间隔膨出瘤均为PFO-AS的独立预测因素;以之构建的LR、KNN、SVM、RF、DT、BPNN及GBM模型在训练集的曲线下面积(AUC)为0.779～0.853,在测试集为0.730～0.877.RF模型在训练集与测试集的敏感度、特异度及AUC均较高且相当,在测试集的精确率较高而Brier分数较小,为最优ML模型.结论 基于cTTE及TEE联合临床及实验室指标的RF模型能有效预测PFO-AS.
更多相关知识
栏目名称
DOI
10.13929/j.issn.1003-3289.2025.09.013
发布时间
2025-11-19（万方平台首次上网日期，不代表论文的发表时间）
基金项目
陆军军医大学优秀人才项目（2019R038）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
