10.3969/j.issn.1672-7770.2023.02.005
基于机器学习的脑出血分型评估血肿扩大
目的 通过无监督机器学习算法将自发性脑出血分为不同的类型,评估急性期可能出现血肿扩大的患者.方法 收集2018年7月—2020年12月晋中市第一人民医院收治的348例自发性脑出血患者的临床资料和影像学数据,采用3D Slicer软件描记血肿并提取影像学特征,使用无监督学习算法将这些患者分为不同的类型.不同分型间进行了临床基线特征、是否出现血肿扩大和患者预后的比较.结果 最终共选定166个特征,包括54个临床特征和112个影像学特征,通过无监督学习方法分为A、B、C、D、E 5个不同的分型,不同分型间比较提示有多个特征存在显著差异(P<0.05),其中D型和E型发生血肿扩大的比例较高.与未发生血肿扩大相比,发生血肿扩大的患者入院时GCS评分低(t=2.214 4,P<0.05),初次头颅CT检查的血肿量较大(t=3.940 7,P<0.05),中线结构移位明显(t=2.001 3,P<0.05),预后更差(t=4.953 4,P<0.05).结论 首次头颅CT检查显示出血量偏大、中线移位明显、GCS评分低的自发性脑出血患者发生血肿扩大的可能性大、预后差.可以通过整合临床资料和头颅CT影像数据,使用无监督学习算法对自发性脑出血患者进行分型,辅助临床预测及判断.
脑出血、血肿扩大、机器学习、无监督学习
20
R651(外科学各论)
山西省卫生健康委科研课题计划项目2020156
2023-05-12(万方平台首次上网日期,不代表论文的发表时间)
共6页
141-145,152