文摘

客观的。寻找有价值的脑挫伤和裂伤的预后的危险因素可以帮助患者理解条件并改善预后。本研究旨在分析不良预后的危险因素患者脑挫伤后操作。方法。共有136名患者脑挫伤和撕裂结合脑疝治疗回顾性选择和在我们医院神经外科颅骨切开术分为训练集( )和一个测试集( )10倍的交叉方法。建立了逻辑回归和bp神经网络预测模型来预测预后不良因素。接受者操作特性曲线(ROC)和校准曲线是用来验证预测模型的区别和一致性。结果。基于逻辑回归和bp神经网络预测模型, 入院时, 毫升, 入学前几周,抗凝血剂,手术治疗的风险因素影响患者的不良预后脑挫伤后操作。ROC曲线下的面积是0.816 (95%CI0.705 ~ 0.926)和0.819 (95%CI分别为0.708 ~ 0.931)。结论。预测模型基于风险因素影响患者的不良预后脑挫伤和撕裂具有良好的歧视和准确性。

1。介绍

近年来,脑挫伤和撕裂增加交通的不断更新(1]。在交通事故中,头部和颈部受伤最严重的部分。严重创伤性脑损伤(TBI)会导致脑挫伤和裂伤,主要表现共存的挫伤和撕裂组织和颅内水肿、高死亡率和伤残率(2]。脑挫伤和裂伤是指两种疾病:脑挫伤和脑裂伤。如果病人只患有脑实质损伤和软脑膜不受损,这是脑挫伤。除了脑实质损伤,如果病人的软脑膜脑裂伤撕裂。脑挫伤和裂伤是指大脑脑挫伤和撕裂的现象并存的患者(3]。

脑挫伤和裂伤意味着病人容易增加颅内压和有更大的机会形成脑疝(4]。现有研究通常主张手术治疗应建议患者手术适应症的前提。穿颅术是一种有效的治疗方法,但很难处理和高死亡率5]。脑挫伤和撕裂在初级创伤性脑损伤是最常见的疾病之一。预后的影响因素严重创伤性脑损伤患者的问题,学者们广泛关注6]。进步的脑挫伤和撕裂与许多因素相关。通过早期的相关因素的分析,我们可以获得有价值的预后的危险因素,具有重要意义,帮助患者脑挫伤和裂伤研究条件和改善预后7,8]。因此,它有助于改善患者的预后脑挫伤通过确定影响手术后预后不良的危险因素,并给予适当的治疗在早期阶段。

机器学习算法具有独特优势在处理高维变量,变量之间的复杂的相互作用和非线性关系(9- - - - - -12]。机器学习的预测分析已广泛应用于生物医学领域(13- - - - - -15]。基于逻辑回归和神经网络,本文构造了一个预测模型研究的高危因素脑挫伤和裂伤患者的不良预后。结果可以为手术计划提供建议和术后的预后。

2。方法

2.1。通用数据

共有136名患者脑挫伤和撕裂承认我们医院从2016年到2021年被选为研究对象。有102男性和34岁女性,年龄从18岁到65岁( )年。所有病人满足脑挫伤和裂伤的临床诊断标准,和所有病人签署了这项研究之前同意参与这项研究。入选标准如下:(1)有明显的创伤性脑损伤的历史,和执行头部CT检查证实诊断。(2)有迹象显示颅骨切开术。排除标准如下:(1)其它器官的严重障碍,(2)患血液系统疾病,(3)病人复杂的恶性肿瘤,和(4)患有精神疾病。

2.2。预测变量的集合

性别、年龄、格拉斯哥昏迷评分(GCS)得分,失血,应用甘露醇,是否使用抗凝血剂在入学之前,收集和操作方法。

2.3。机器学习模型的建设

逻辑回归是最常用的统计模型预测结果变量转换成一个二进制变量,通常用于数据挖掘、自动诊断的疾病,和其他领域。这两个反应变量的一个结果 来标示为“成功”,用1。其他结果是表示“失败”,用0 (16]。它的一般形式如下:

, ,…, 预测, , ,…, 的回归系数米预测因子。

的概率 预测的事件可以通过简单的转换公式(1)。

2.4。人工神经网络

本文使用的神经网络模型是利用bp神经网络(摘要)。它有一个很好的解决非线性问题的能力,它是最受欢迎的和典型的神经网络模型到目前为止17]。监督学习过程,反复摘要算法取代了网络连接的权值和阈值与已知输入和输出示例数据,网络的输出接近预期的输出(18]。整个神经网络而言,一个学习的过程由两个子流程完成输入数据转发传播和误差反向传播(19]。经典的摘要结构如图1。


图1
古典摘要结构图。

有 输入层神经元, 隐层神经元 在输出层神经元。定义输入向量如下:

随机选择的 - - - - - -th输入样本和对应的期望输出:

计算隐层神经元的输入和输出:

最后,计算全球错误:

所有患者被分为训练集( )和一个测试集( )通过分层随机抽样。训练集与测试集的比例大约是7:3。10倍交叉方法用于验证数据。这种方法的优点是,所有数据用于训练集和测试集,和每个数据集分为独立的验证。具体的过程如图2。


图2
机器学习的模型流程图。
2.5。统计分析

测量数据所表达的 ,数据符合正态分布,组间比较采用一个独立的样本 - - - - - -测试和计算数据所表达的百分比。的气,方检验是用于分析不同群体之间的差异,和 意味着不同的是统计学意义。

3所示。结果

3.1。比较两组之间的预测变量影响预后

之间没有显著差异的训练集和测试在性别、年龄、入院GCS评分,失血,应用甘露醇,入学前1周内使用抗凝血剂,治疗方法、中线移位距离和脑挫伤,撕裂卷( ),如图3。


图。3
比较脑挫伤患者的临床资料和撕裂的训练集和测试集。两组之间没有统计上的显著差异( )。
3.2。逻辑回归分析术后预后的预测变量

Logistic回归分析显示 , 毫升, 周,抗凝剂的使用前1周内承认,和手术治疗预后的影响因素脑挫伤和撕裂。细节如表所示1。

表1
逻辑回归分析脑挫伤和裂伤患者的预后因素。
3.3。摘要利用模型分析术后预后的预测变量

基于摘要模型,患者不良预后的预测模型脑挫伤和裂伤后操作显示 在承认,65.0分的吗 毫升承认是80.0点, 周是87.0分,入学前抗凝血剂100.0点,和外科治疗入院后24小时是71.3点,如图4。


图4
脑挫伤患者的不良预后特征因素和裂伤后操作。
3.4。比较预测模型的性能

接收者算子特征(ROC)曲线显示,曲线下的面积(AUC)的逻辑回归模型预测患者的预后不良脑挫伤和裂伤手术后是0.816 (95%CI0.705 ~ 0.926)。摘要利用模型的AUC是0.819 (95%CI0.708 ~ 0.931)。中华民国图所示5。


图5
ROC曲线的贫困患者术后预后脑挫伤和撕裂。

4所示。讨论

随着社会现代化的发展,经济水平的提高,交通事故引起的创伤性脑损伤患者的数量正在增加。头部和颈部受伤最严重的器官在交通事故20.]。轻度创伤性脑损伤患者可以显示症状和体征昏迷或昏迷,健忘,呕吐,或弥散性头痛。这种疾病可能在严重的情况下,迅速发展导致不可逆转的严重残疾或死亡(21]。脑挫伤和裂伤脑挫伤和撕裂的条款。严重的挫伤和撕裂的大脑经常与脑疝是一个典型的复杂重要的疾病,病人往往伴有明显的神经系统障碍。操作是一个重要的治疗策略。根据相关调查数据,病人的预后一般不满意,高伤残率和死亡率22]。关键一步改善脑挫伤患者的预后和裂伤是准确地确定风险因素影响颅骨切开术后患者的不良预后。

脑挫伤和裂伤是一种常见的创伤性脑损伤。临床上,脑挫伤和撕裂的诊断主要基于历史的创伤性脑损伤,临床体检的结果,imaging-assisted检查的结果,综合分析结合临床医生的经验(23,24]。CT, MRI等影像学检查为临床诊断提供客观的成像数据心血管和脑血管疾病(25]。然而,这些影像学表现也很不同疾病的不同阶段(26,27]。更准确地判断预后,需要考虑尽可能多的相关因素。

在这项研究中,脑挫伤和裂伤患者承认近年来我们医院被选为研究对象。预测模型是建立基于逻辑回归和摘要。两组患者的临床资料进行回顾性分析。的细节,年龄、性别、脑挫伤的体积和裂伤,失血,GCS评分的患者住院,和治疗方法进行了整理和分析,预测术后患者的预后。在这项研究中,我们得出结论 入院时, ml入院时, 入学前几周,抗凝血剂,外科治疗脑挫伤后五不良预后的高危因素和撕裂。本研究表明,模型的重量分数是87.0甘露醇时用于≥2周。甘露醇是一种常用的药物在临床实践中。相关文献报道,在正确的时间使用适当数量的甘露醇有助于迅速改善脑血管循环,显著降低脑水肿的程度的损害,并保护神经功能(28,29日]。桑特et al。30.]表明,创伤性脑损伤是一个独立因素的静脉血管栓塞。它是临床治疗的创伤性脑损伤的重要环节,防止静脉血管栓塞通过制定科学有效的预防策略。它也指出,尽管抗凝血剂可以防止静脉血栓形成,他们可能会增加出血的风险。此外,Shehadeh et al。31日)认为,减少损伤体积,改善神经元的存活率在改善预后起着关键作用的脑挫伤和撕裂。我们的研究结果与先前的研究一致。

本研究验证了预测模型的脑挫伤和裂伤患者的不良预后。逻辑回归模型和摘要利用预测模型预测脑挫伤患者的不良预后和撕裂。曲线下的面积是0.816 (95%CI0.705 - -0.926)和0.819 (95%CI分别为0.708 - -0.931)。这个结果表明,建立的预测模型具有良好的歧视,但摘要模型具有更好的预测效率比逻辑回归模型。

5。结论

本研究构建预测模型的基础上,影响患者的不良预后的危险因素脑挫伤和撕裂,歧视和良好的精度。参与研究的病例数很小,和促进这种预测模型仍然需要验证了大规模多中心前瞻性研究。在未来的研究工作中,也建议进一步筛选不良预后的独立危险因素患者脑挫伤和裂伤,不断优化预测模型,以更好地服务于临床决策。

数据可用性

所有数据分析在此研究可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突,关于这篇文章的出版。

确认

这项研究是由河北医学科学研究项目计划(没有。:20191252)。