基于机器学习预测自发性脑出血血肿扩大研究

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.