您的账号已在其他设备登录,您当前账号已强迫下线,
如非您本人操作,建议您在会员中心进行密码修改

确定
收藏 | 浏览27 | 下载0

目的:评价极限梯度提升(XGBoost)模型在自发性脑出血(sICH)患者短期预后评估中的应用价值,同时与Logistic模型预测效能进行比较。方法:回顾性收集自2018年1月至2022年3月就诊于合肥市第二人民医院神经内科的sICH患者,收集患者一般人口学特征、病史、实验室指标及头颅影像学检查结果等资料,同时根据改良Rankin量表(mRS)评分评价患者出院后90 d时预后(mRS评分<3分为预后良好组,mRS评分≥3分为预后不良组)。采用XGboost模型及多因素Logistic回归模型筛选出影响患者出院后90 d时预后的因素,分析比较两者的受试者工作特征曲线下面积(AUC)、灵敏度、特异度及预测准确率。结果:研究共纳入sICH患者413例,90 d预后不良组180例(43.6

作者:岳宏;武爱梅;耿直;余招平;杨叶;张持;刘学春;吴君仓

来源:中华神经医学杂志 2023 年 22卷 7期

相似文献
知识库介绍

临床诊疗知识库该平台旨在解决临床医护人员在学习、工作中对医学信息的需求,方便快速、便捷的获取实用的医学信息,辅助临床决策参考。该库包含疾病、药品、检查、指南规范、病例文献及循证文献等多种丰富权威的临床资源。

详细介绍
热门关注
免责声明:本知识库提供的有关内容等信息仅供学习参考,不代替医生的诊断和医嘱。

收藏
| 浏览:27 | 下载:0
作者:
岳宏;武爱梅;耿直;余招平;杨叶;张持;刘学春;吴君仓
来源:
中华神经医学杂志 2023 年 22卷 7期
标签:
自发性脑出血 预测模型 机器学习 Intracerebral hemorrhage Predictive model Machine learning
目的:评价极限梯度提升(XGBoost)模型在自发性脑出血(sICH)患者短期预后评估中的应用价值,同时与Logistic模型预测效能进行比较。方法:回顾性收集自2018年1月至2022年3月就诊于合肥市第二人民医院神经内科的sICH患者,收集患者一般人口学特征、病史、实验室指标及头颅影像学检查结果等资料,同时根据改良Rankin量表(mRS)评分评价患者出院后90 d时预后(mRS评分<3分为预后良好组,mRS评分≥3分为预后不良组)。采用XGboost模型及多因素Logistic回归模型筛选出影响患者出院后90 d时预后的因素,分析比较两者的受试者工作特征曲线下面积(AUC)、灵敏度、特异度及预测准确率。结果:研究共纳入sICH患者413例,90 d预后不良组180例(43.6