
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于多种机器学习模型预测脊髓损伤后患者行走恢复情况的研究
《Scientific Reports》:Predicting walking recovery after traumatic cervical spinal cord injury with machine learning: a multicenter cohort study
【字体: 大 中 小 】 时间:2026年10月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要本研究旨在探讨各种机器学习模型(支持向量机(SVM)、随机森林(RF)、K-近邻算法(KNN)、逻辑回归(LR)、最小绝对值收缩选择算法(LASSO)和决策树(DT)在预测脊髓损伤(TCSCI)后患者行走恢复情况方面的有效性。研究目标是利用人口统计学数据、损伤特征、外周炎症血
本研究旨在探讨各种机器学习模型(支持向量机(SVM)、随机森林(RF)、K-近邻算法(KNN)、逻辑回归(LR)、最小绝对值收缩选择算法(LASSO)和决策树(DT)在预测脊髓损伤(TCSCI)后患者行走恢复情况方面的有效性。研究目标是利用人口统计学数据、损伤特征、外周炎症血液生物标志物以及神经影像学指标,开发出一个稳健的、个性化的预测模型。研究纳入了2016年至2022年间收治的468名TCSCI患者的回顾性队列,这些患者被分为训练组(235人)、测试组(99人)和验证组(134人)。研究者收集了关键预后特征,包括人口统计学数据、损伤特征、外周炎症血液生物标志物以及MRI影像学信息。研究人员利用训练数据集构建并验证了多个机器学习模型,并在内部(测试组)和外部(验证组)队列中对模型的性能进行了评估。评估指标包括曲线下面积(AUC)及其95%置信区间、敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)以及用于校准的Brier评分。研究结果显示,所有六个机器学习模型均能够成功预测TCSCI患者行走的恢复情况。在各类模型中,随机森林模型在训练组中的表现最佳,达到了完美的AUC值以及较高的敏感性、特异性、PPV和NPV;但在验证组中的性能略有下降,AUC为0.990(95%置信区间:0.977–1.000)。逻辑回归模型在所有队列中的表现稳定且可靠,是预测患者恢复情况的优秀选项。支持向量机(SVM)、决策树(DT)和最小绝对值收缩选择算法(LASSO)模型的预测能力也很强,尽管在不同队列间的表现存在轻微差异。然而,K-近邻算法的整体准确率和阴性预测值最低。总体而言,特别是随机森林和逻辑回归模型,为预测TCSCI患者的行走恢复提供了稳健的工具。虽然随机森林模型在训练组中的表现最佳,但逻辑回归模型在所有队列中均表现出一致且可靠的结果,显示出其在临床应用中的潜力;支持向量机、决策树和最小绝对值收缩选择算法也具有出色的预测能力。这些模型有助于制定个性化的康复计划,从而改善临床决策和患者预后评估。