文献类型：期刊文章

作　　者：袁伟[1] 侯文仲[2] 王倩[1] 庄坚伟[2] 谢国喜[1] 陈向林[2]

YUAN Wei;HOU Wenzhong;WANG Qian;ZHUANG Jianwei;XIE Guoxi;CHEN Xianglin(Department of Biomedical Engineering,School of Basic Medical Sciences,Guangzhou Medical University,Guangzhou 511436,China;The Sixth Affiliated Hospital of Guangzhou Medical University,Cerebrovascular Disease Department,Qingyuan 511518,China)

机构地区：[1]广州医科大学基础医学院生物医学工程系,广东广州511436 [2]广州医科大学附属第六医院脑血管病科,广东清远511518

出　　处：《广东药科大学学报》

基　　金：广东省医学科研基金(A2020130);国家自然科学基金(81971607)。

年　　份：2022

卷　　号：38

期　　号：3

起止页码：76-84

语　　种：中文

收录情况：CAB、CAS、ZGKJHX、普通刊

摘　　要：目的 评判自发性脑出血血肿扩大的几率,帮助临床医生采取正确的治疗措施,提高疗效。方法 本研究引入支持向量机、逻辑回归、决策树和极限学习机4种自动预测模型进行血肿扩大的判断,并与临床上常用的BRAIN评分在训练精度、测试精度、敏感度、特异性、曲线下面积等方面进行了研究对比。结果 通过150例患者数据的实验分析,显示支持向量机、逻辑回归和极限学习机3种模型优于BRAIN评分标准。其中极限学习机分类模型取得了最好的分类效果,其训练精度为99.25%,测试精度为93.33%,敏感度为98.50%,特异性为85.90%,AUC为0.926,同时模型的自动预测功能可以提高预测效率,减轻医生负担。可以根据患者数据量的增加随时进行模型的学习和调整,更加契合所在医院的实际样本情况。结论 极限学习机模型在预测血肿扩大概率上具有明显的优势,将其引入该领域具有一定的创新性,具有临床应用价值。

关 键 词：脑出血 血肿扩大 自动预测  

分 类 号：R743.34]