通过机器学习在院前环境中实现早期中风检测

Early Stroke Detection Through Machine Learning in the Prehospital Setting

中风是全球范围内导致死亡和残疾的主要原因之一，其患病率因现代生活方式因素而上升。尽管中风作为一种时间敏感性疾病需要快速诊断，但当前的预诊断实践通常依赖于特定患者症状，这可能会延误适当的治疗，尤其是对于大血管闭塞（LVO）患者。本研究介绍了一种利用机器学习（ML）准确识别中风类型和严重程度的新方法。通过增强院前诊断过程，该研究旨在优化医院选择并改善急诊中风护理，确保在专业中心进行及时治疗。

该方法包括两个阶段。第一步涉及开发两个专门模型，用于预测中风类型——缺血性或出血性——以及一个贝叶斯规则以确定最终分类。第二步仅适用于缺血性中风病例，用于识别发作是否为LVO。缺血性发作的结果表明，LVO模型达到了91.67%的召回率和64.71%的精确率，在所有性能指标上均优于作为参考的院前量表，除了特异性。该模型仅使用了271个原始变量中的20个，最具代表性的变量包括血压、心率、血氧饱和度和手臂运动。

将LVO模型与贝叶斯管道集成应用于完整样本时，精确率为59%，召回率为74%；而将LVO模型应用于整个群体时，精确率为60.60%，召回率为80.19%。研究表明，实施机器学习技术可以显著提高在紧急医疗服务（EMS）背景下中风的诊断准确性。LVO模型显示出令人鼓舞的结果，相较于基线范式提升了大约10-13%。使用客观变量如血压和心率是这一提升的关键因素。研究强调了在急诊医学中利用机器学习技术的潜在优势，特别是在中风的诊断和管理方面。结果表明，LVO模型可能提高中风诊断的精确性，从而促进更有效和及时的干预。

关键词：中风，LVO，紧急医疗服务，院前，机器学习，遗传算法，临床数据，血液动力学数据

(全文结束)