Prädiktion klinischer Outcomes nach ischämischem Schlaganfall mit maschinellem Lernen

Abstract

Ziele: Der Schlaganfall zählt weltweit zu den Hauptursachen von Tod und Behinderung im Erwachsenenalter. Daher ist es von entscheidender Bedeutung die wichtigsten Einflussfaktoren für den Verlauf dieses Krankheitsbildes zu identifizieren. In dieser Arbeit nutzen wir maschinelles Lernen (ML), um klinische Profile nach erstmaligem ischämischem Schlaganfall anhand funktioneller und kognitiver Beeinträchtigung, Depression und Mortalität zu charakterisieren. Methoden: Wir nutzten drei ML-Modelle, einschließlich einer Stützvektormaschine mit linearem Kernel und Kernel der radialen Basisfunktion (SVM-lin und SVM-rfb) sowie eines Entscheidungsbaums mit Gradientenverstärkung (GB, englisch Gradient Boosting), um gute versus schlechte klinische Outcomes bei 307 Patient*innen mit jeweils 43 Input-Variablen aus der PROSpective Cohort with Incident Stroke Berlin (PROSCIS-B) zu klassifizieren. Die Patien*innenpopulation bestand aus 151 Frauen und 156 Männern mit einem Durchschnittsalter von 68±14 Jahren. Unter Anwendung einer wiederholten fünffach verschachtelten Kreuzvalidierung wurden funktionelle und kognitive Beeinträchtigung, Depression und Mortalität zu verschiedenen Zeitpunkten prädiziert sowie die wichtigsten Einflussfaktoren mittels Shapley-Werten identifiziert. Die modifizierte Rankin Skala (mRS) und Barthel Index (BI) dienten zur Messung des funktionellen Outcomes, der Mini-Mental-Status-Test (MMSE, englisch Mini-Mental State Examination) und das modifizierte Telefoninterview für den kognitiven Status (TICS-M, englisch Modified Telephone Interview for Cognitive Status) als Indikatoren für kognitiven Beeinträchtigung und die allgemeine Depressionsskala (CES-D, englisch Center for Epidemiologic Studies Depression Scale) als Maßstab für Depression. Ergebnisse: Unsere Analysen ergaben signifikante Ergebnisse in Hinblick auf die Prädiktion von mRS, BI und MMSE bei Entlassung, TICS-M und CES-D nach einem Jahr sowie TICS-M nach drei Jahren. Bildung war der wichtigste Prädiktor für alle MMSE-, TICS-M- und CES-D-Outcomes, die National Institutes of Health Stroke Scale für mRS und BI bei Entlassung sowie Bauchumfang für mRS nach einem Jahr. Schlussfolgerung: Mittels eines systematischen Vergleichs von ML-Methoden konnten wir die klinischen Outcomes für Patient*innen nach erstmaligem ischämischem Schlaganfall prädizieren und die wichtigsten Vorhersagefaktoren identifizieren.

Background: The worldwide impact of stroke as a leading cause of death and disability highlights the importance of identifying the main factors contributing to poor long-term outcomes. In this study, we predict and systematically compare clinical profiles of patients experiencing their first-ever ischemic stroke using machine learning (ML) techniques. Our primary objective is to predict functional recovery, cognitive impairment, depression and mortality, while also uncovering the leading predictors. Methods: We used three ML models, including a Support Vector Machine with linear kernel (SVM-lin), a Support Vector Machine with radial basis function kernel (SVM-rfb), and a Gradient Boosting Classifier (GB), to predict good versus poor clinical outcomes in 307 patients from the PROSpective Cohort with Incident Stroke Berlin (PROSCIS-B) da taset. The dataset consisted of 151 females and 156 males, with an average age of 68±14 years and 43 input variables per patient. We aimed to predict functional outcome, cogni tive impairment, depression and mortality at various follow-up intervals based on repea ted 5-fold nested cross-validation and to identify key predictors via Shapley additive ex planations. The Modified Rankin Scale (mRS) and Barthel Index (BI) were used as indi cators of functional outcome, the Mini-Mental State Examination (MMSE) and Modified Telephone Interview for Cognitive Status (TICS-M) were utilized to assess cognitive im pairment and the Center for Epidemiologic Studies Depression Scale (CES-D) served as a measure of depression. Results: Our analysis showed significant prediction results for mRS, BI and MMSE at patient discharge, TICS-M and CES-D after one year as well as for TICS-M after three years. Education level was the leading predictor for all MMSE, TICS-M and CES-D outcomes while National Institutes of Health Stroke Scale was the most important predictor for mRS and BI at patient discharge and waist circumference for mRS at one-year follow-up. Conclusion: Through a systematic comparison of ML methods, we were able to successfully predicted clinical profiles for patients experiencing their first-ever ischemic stroke while also pinpointing the associated leading predictors.