Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Diese Einzelszentren-Retrospektivstudie entwickelte und intern validierte ein logistisches Regressionsmodell für eine verzögerte zerebrale Ischämie nach aneurysmatischer subarachnoidaler Blutung. Bei 680 Patienten zeigten sechs frühe klinische, laborchemische und bildgebende Variablen einen vorläufigen prädiktiven Wert. Bevor eine klinische Anwendung erfolgen kann, ist eine weitere externe Validierung erforderlich.
Die verzögerte zerebrale Ischämie (DCI) ist eine wichtige Ursache für sekundäre neurologische Schäden nach einer aneurysmatischen subarachnoidalen Blutung (aSAH). Diese retrospektive Einzelzentrenstudie entwickelte und evaluierte Vorhersagemodelle für die DCI anhand von Daten von 680 erwachsenen Patienten mit aSAH, die zwischen Juli 2022 und Dezember 2024 behandelt wurden. Die Patienten wurden mittels einer ereignisgestratifizierten Aufteilung im Verhältnis 8:2 in einen Trainingskollektiv mit 544 Patienten und einen separaten internen Validierungskollektiv mit 136 Patienten unterteilt. Insgesamt trat die DCI bei 175 Patienten im Trainingskollektiv und bei 42 Patienten im internen Validierungskollektiv auf. Die Auswahl der Prädiktoren erfolgte im Trainingskollektiv mittels Regression mit Least Absolute Shrinkage and Selection Operator (LASSO) und 10-facher Kreuzvalidierung. Sechs Variablen blieben erhalten: Alter, zerebrales Ödem, Hypoalbuminämie, modifizierter Fisher-Grad, Hunt-Hess-Grad und Grad der World Federation of Neurological Surgeons. Es wurden Modelle auf Basis der logistischen Regression, des Extreme Gradient Boosting, des Light Gradient Boosting Machine, des Support Vector Machine sowie des k-nächsten-Nachbarn-Verfahrens miteinander verglichen. Die logistische Regression erreichte im internen Validierungskollektiv eine Fläche unter der Receiver-Operating-Characteristic-Kurve von 0,832 (95 % Konfidenzintervall: 0,758–0,906). Die Kalibrierungssteigung, der Kalibrierungsachsenabschnitt und der Brier-Score betrugen jeweils 0,98, 0,02 und 0,168, wobei jedoch Konfidenzintervalle für diese Kalibrierungsschätzungen nicht verfügbar waren. Die Ergebnisse stellen eine vorläufige Leistung in einem einzelnen separaten internen Validierungskollektiv dar. Unvollständige Reproduzierbarkeitsdokumentation, das Fehlen des Modellachsenabschnitts, der Mangel an einer auf Resampling basierenden Korrektur für Optimismus sowie das Fehlen einer externen Validierung verhindern derzeit die Berechnung von Patienten-individuellen Wahrscheinlichkeiten und eine klinische Anwendung.
Es wurden mehrere Vorhersagemodelle für die zerebrale Durchblutungsstörung (DCI) nach einer aSAH vorgeschlagen, doch viele waren durch kleine Stichprobengrößen, unvollständige Bewertung der Kalibrierung, unzureichende Berichterstattung über die Modellentwicklungsverfahren und das Fehlen einer externen Validierung eingeschränkt. Viele Studien konzentrierten sich hauptsächlich auf die Diskriminierung, während Kalibrierung, Reproduzierbarkeit und die Bewertung der klinischen Auswirkungen weniger konsistent berichtet wurden. Daher sollte die Modellleistung anhand transparenter Methoden bewertet und vorsichtig interpretiert werden, wenn die Validierung auf ein einzelnes Zentrum beschränkt ist.
Die vorliegende Studie hatte die Entwicklung und interne Bewertung von Vorhersagemodellen für DCI mithilfe routinemäßig verfügbarer früher klinischer, laborchemischer und bildgebender Variablen zum Ziel. Fünf Modellierungsansätze wurden unter Verwendung desselben Satzes ausgewählter Prädiktoren verglichen. Der geplante Zeitpunkt der Vorhersage lag nach der initialen Aufnahme, der laborchemischen und bildgebenden Beurteilung, jedoch vor dem Hauptrisikointervall für DCI. Die Modelle wurden zur risikobasierten Forschung entwickelt und sollen weder DCI diagnostizieren, noch klinische Beurteilung ersetzen oder unabhängig die Therapie festlegen. Eine externe Validierung, Rekalibrierung und klinische Wirksamkeitsprüfung sind vor einer klinischen Anwendung erforderlich.
Die zerebrale verzögerte Ischämie (DCI) ist eine dieser sekundären Schädigungen, die nach aneurysmatischer subarachnoidaler Blutung (aSAH) als eine der klinisch bedeutsamsten und potenziell vermeidbaren Komplikationen gilt. DCI ist eine Komplikation, die gewöhnlich mehrere Tage nach dem ictus, typischerweise innerhalb von 3–14 Tagen, auftritt und mit neu auftretenden fokalen neurologischen Defiziten, einer Verschlechterung des Bewusstseinsniveaus und/oder dem Nachweis eines zerebralen Infarkts in der anschließenden neurologischen Bildgebung assoziiert ist. Obwohl in unterschiedlichen Institutionen teilweise abweichende diagnostische Vorgehensweisen bestehen, ist die DCI stets mit einem langen Aufenthalt auf der Intensivstation, hohem Ressourcenverbrauch und einer ungünstigen neurologischen Prognose verbunden. Die berichtete Inzidenz der DCI liegt typischerweise bei 30–40 Prozent, was ihre Häufigkeit und erhebliche prognostische Bedeutung unterstreicht.1,2,3,4,5,6. Bemerkenswerterweise ist die DCI kein einheitlicher Prozess über einen einzigen Signalweg. Obwohl der Fokus stets auf der zerebralen Vasospasmus der großen Gefäße lag, zeigen zunehmende Belege auch, dass frühe Hirnschäden, kortikale Ausbreitung depolarisierender Ereignisse, Neuroinflammation, Mikrothrombosen, endotheliale Dysfunktion, eine gestörte Autoregulation sowie ein Versagen der Mikrozirkulation alle zur ischämischen Gefährdung beitragen. Diese multifaktorielle Pathophysiologie erklärt warum gezielt auf Vasospasmen abzielende Behandlungen möglicherweise Infarkte im Zusammenhang mit DCI nicht vollständig verhindern können und warum Hochrisikopatienten im üblichen klinischen Umfeld schwer zu identifizieren sind.
Die Risikostratifizierung von DCI nach aSAH hat Priorität, da durch die schnelle Identifizierung von Hochrisikopatienten eine engmaschigere Überwachung und eine rechtzeitige Eskalation präventiver oder rettender Maßnahmen möglich sein könnte7. Überwachungsstrategien in der klinischen Praxis können die Durchführung häufigerer neurologischer Tests, die transkranielle Doppler-Sonographie, anspruchsvolle bildgebende Verfahren wie die Perfusions-Computertomographie, die Optimierung des hämodynamischen Zustands und des intravasalen Volumens, eine strikte Einhaltung der Therapie mit Nimodipin sowie die frühzeitige Erkennung neurologischer Verschlechterungen – beispielsweise Hydrozephalus, Reblutung, Krampfanfälle, Infektionen oder metabolische Störungen – umfassen. Dennoch beeinflussen globale Schweregrade und die klinische Erfahrung tendenziell die Entscheidungsfindung stärker als personalisierte, datenbasierte Schätzungen der DCI-Wahrscheinlichkeit8,9,10. Ein Grund hierfür liegt darin, dass die Literatur darauf hinweist, dass Risikofaktoren heterogen sind und das Zusammenspiel zwischen Patientenfaktoren, Blutungsausmaß, physiologischen Störungen und neurologischen Bewertungsskalen nichtlinear und komplex sein kann. Frühere Forschungsarbeiten haben potenzielle Prädiktoren für DCI untersucht, darunter Alter, Hypertonie, neurologischer Ausgangszustand, Aneurysmaeigenschaften, laborchemische Parameter (wie Serum-Natrium und Albumin), bildgebende Merkmale, die auf das Blutungsvolumen hinweisen, sowie perioperative oder behandlungsbedingte Faktoren. Konventionelle Regressionsverfahren waren hilfreich, können jedoch eingeschränkt sein, wenn die Prädiktoren korreliert sind, wenn der Zusammenhang zwischen Prädiktoren und Risiko nichtlinear ist oder wenn Wechselwirkungen zwischen den Variablen bestehen11. Gleichzeitig wurden mehrere Instrumente (meistens Nomogramme) vorgeschlagen, um das DCI-Risiko einzuschätzen. Obwohl Nomogramme praktikabel und visuell ansprechend sind, basieren die meisten auf kleinen Stichproben, enthalten nur wenige Variablen und könnten überangepasst oder unzureichend validiert sein. Zudem lassen sich Modelle, die an einem Zentrum entwickelt und getestet wurden, aufgrund von Unterschieden in der Patientenpopulation, der Bildinterpretation, der Therapie und den diagnostischen Schwellenwerten für DCI möglicherweise nicht problemlos auf andere Einrichtungen übertragen.
Methoden des maschinellen Lernens können traditionelle klinische Vorhersagemodelle ergänzen, da sie die Untersuchung weiterer Dimensionen klinischer Daten und die Beobachtung komplexerer Trends ermöglichen, ohne dass starre lineare Annahmen getroffen werden müssen. In den letzten Jahren fanden ML-basierte Vorhersagemodelle zunehmend Anwendung im Bereich der zerebrovaskulären Erkrankungen, einschließlich der Prognose von Behandlungsergebnissen und Komplikationen sowie der Entscheidungsunterstützung12,13,14. Häufig verwendete Algorithmen des maschinellen Lernens umfassen Ensemble-Baum-Methoden wie Extreme Gradient Boosting (XGBoost) und Light Gradient Boosting Machine (LightGBM), kernbasierte Klassifikatoren wie Support Vector Machines (SVMs) sowie distanzbasierte Klassifikatoren wie k-nächste Nachbarn (KNN). Diese Modelle sind prinzipiell in der Lage, Nichtlinearitäten und Interaktionen besser abzubilden als traditionelle Ansätze15. Es bestehen jedoch auch praktische Bedenken hinsichtlich ML-Modellen, wie das Risiko einer Überanpassung, eingeschränkte Interpretierbarkeit sowie der Bedarf an geeigneten Verfahren zur Datenvorverarbeitung, -abstimmung, Kalibrierung, Evaluierung und Validierung. Es ist erwähnenswert, dass in einer Vielzahl klinischer Szenarien eine gut spezifizierte logistische Regression genauso gut oder sogar besser abschneiden kann als komplexere Algorithmen, insbesondere wenn die Anzahl der Prädiktoren gering ist und das Signal-Rausch-Verhältnis moderat ist. Daher ist eine vergleichende Analyse verschiedener Algorithmen unter Verwendung ähnlicher Prädiktoren und Evaluierungsmetriken erforderlich, um ein Modell zu identifizieren, das mit Leistungsfähigkeit und klinischer Anwendbarkeit korreliert16,17,18 .
Es wurden bereits mehrere Vorhersagemodelle für eine verzögerte zerebrale Ischämie vorgeschlagen; viele weisen jedoch wichtige Einschränkungen auf, wie beispielsweise kleine Stichprobengrößen, unzureichende Bewertung der Kalibrierung, fehlenden direkten Vergleich von Algorithmen untereinander und ungenügende Validierung. Zudem legen frühere Studien häufig den Schwerpunkt auf die Diskriminierung, berichten aber selten über Kennzahlen zur Kalibrierung und klinischen Nützlichkeit, die für die Anwendbarkeit in der Praxis entscheidend sind. Die vorliegende Studie schließt diese Lücken, indem ein Vorhersagemodell in einem vergleichsweise großen Kollektiv entwickelt wird, eine systematische Auswahl von Prädiktoren mittels der LASSO-Regression (least absolute shrinkage and selection operator) durchgeführt, mehrere maschinelle Lernalgorithmen innerhalb eines einheitlichen Modellierungsansatzes miteinander verglichen und Diskriminierung, Kalibrierung sowie entscheidungsanalytische Leistung umfassend bewertet werden.
Mehrere Vorhersagemodelle für die zerebrale vasospastische Ischämie (DCI) nach einer aneurysmatischen Subarachnoidalblutung (aSAH) wurden vorgeschlagen, jedoch weisen viele wichtige Einschränkungen auf, wie beispielsweise kleine Kohorten, unzureichende Bewertung der Kalibrierung, unvollständige Berichterstattung über die Modellentwicklung und fehlende externe oder zeitliche Validierung. Außerdem berichten zahlreiche Studien lediglich über die Diskriminierung, während Angaben zur Kalibrierung und zur Entscheidungskurvenanalyse seltener und weniger einheitlich präsentiert werden. Die vorliegende Studie löst das Problem der externen Validierung nicht. Stattdessen stellt sie eine einzentrische Entwicklungs- und interne Validierungsstudie dar, die routinemäßig verfügbare klinische, laborchemische und bildgebende Variablen nutzt. Der vorgesehene Anwendungsfall ist die frühe Risikostratifizierung nach Aufnahme und initialer Aneurysmabehandlung, vor dem Hauptzeitraum des DCI-Risikos. Das Modell kann Ärztinnen und Ärzten helfen, Patienten zu identifizieren, die eine engmaschigere neurologische Überwachung, eine vaskuläre Bildgebungskontrolle, die Korrektur physiologischer Auffälligkeiten sowie eine frühzeitige Beurteilung durch das neurokritische Behandlungsteam benötigen. Es soll jedoch nicht die klinische Beurteilung ersetzen, eine DCI diagnostizieren oder ohne externe Validierung und klinische Nutzenbewertung therapeutische Entscheidungen leiten. Frühere Studien schlugen bereits mehrere Modelle zur Vorhersage der DCI nach aSAH vor, die jedoch oft durch kleine Stichprobengrößen, unvollständige Angaben zur Kalibrierung, begrenzte Vergleiche zwischen Modellierungsverfahren oder fehlende externe Validierung eingeschränkt waren. Die vorliegende Studie erhebt keinen Anspruch darauf, ein klinisch validiertes Entscheidungswerkzeug bereitzustellen. Vielmehr verfolgt sie das Ziel, ein Vorhersagemodell anhand routinemäßig verfügbarer früher klinischer, laborchemischer und bildgebender Variablen aus einer einzentrischen Kohorte zu entwickeln und intern zu validieren. Der vorgesehene Anwendungsfall ist die frühe Risikostratifizierung nach Aufnahme und initialer Aneurysmabehandlung, vor dem Hauptzeitraum des DCI-Risikos. In diesem Szenario würde ein hohes vorhergesagtes Risiko eine engmaschigere neurologische Beurteilung, eine vaskuläre Überwachung, die Korrektur physiologischer Auffälligkeiten sowie eine frühzeitige Begutachtung durch die neurokritische Versorgungseinheit unterstützen. Das Modell dient nicht der Diagnose einer DCI und soll die ärztliche Urteilsbildung nicht ersetzen.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
The study was approved by the Institutional Ethics Committee of Yulin First Hospital, Shaanxi Province, China. Because this was a retrospective analysis of routinely collected hospital data, and because all data were anonymized before analysis, the requirement for written informed consent was waived. The study was conducted in accordance with institutional data-protection requirements and the principles of the Declaration of Helsinki.
Data and Methods
Study Population and Design
This was a retrospective single-center cohort study conducted at Yulin First Hospital, Shaanxi Province, China. The hospital records of patients admitted with aSAH between July 2022 and December 2024 were screened. Eligible patients were adults aged 18 years or older with a diagnosis of aSAH confirmed by cranial and intracranial vascular imaging. Patients were required to have been admitted within 72 h after symptom onset and to have undergone aneurysm treatment during the index hospitalization.
Patients were excluded if they had traumatic subarachnoid hemorrhage, non-aneurysmal subarachnoid hemorrhage, severe pre-existing hematological disease, other major intracranial disease affecting outcome assessment, insufficient records for DCI evaluation, or in-hospital death before an adequate DCI assessment period. Excluding early in-hospital deaths may introduce survivorship bias because the most severe cases may be removed from analysis. Therefore, the findings should be interpreted as applying mainly to patients who survived long enough for DCI evaluation.
Data Collection
Clinical, laboratory, imaging, and treatment-related variables were extracted from the electronic medical record using a predefined data-extraction form. The extracted variables included demographic factors, medical history, aneurysm features, early neurological grade, early imaging findings, laboratory results, treatment approach, and hospital complications. The intended prediction time point was after completion of the initial admission and perioperative assessment, but before the main DCI risk window.
Age, sex, body mass index, smoking status, alcohol use, hypertension, diabetes, aneurysm size, aneurysm location, modified Fisher grade, Hunt-Hess grade, World Federation of Neurological Surgeons grade, intraventricular hemorrhage, and rebleeding were taken from admission records and initial imaging. Laboratory variables, including hemoglobin, serum albumin, and serum sodium, were obtained from the earliest available blood test prior to the prediction time point. Cerebral edema was assessed using baseline or immediate post-treatment imaging available before DCI diagnosis. Variables recorded only after DCI onset were not used for model development to reduce information leakage.
Anemia was defined as hemoglobin <110 g/L in female patients and <120 g/L in male patients. Hypoalbuminemia was defined as serum albumin <35 g/L. Hyponatremia was defined as serum sodium <130 mmol/L.
Patients were managed according to the institutional aSAH care pathway. Standard management included early aneurysm securing, neurological observation, blood pressure control, fluid and electrolyte management, and surveillance for complications including hydrocephalus, rebleeding, seizure, infection, vasospasm, and DCI. Nimodipine was used unless contraindicated. Vasospasm monitoring was performed using neurological examination, vascular imaging, and transcranial Doppler ultrasonography when clinically indicated. Hydrocephalus was managed with cerebrospinal fluid diversion when required. Hemodynamic optimization and rescue therapy were applied according to the treating team’s assessment. Because treatment intensity and rescue-therapy details were not completely captured in the retrospective dataset, these factors could not be fully adjusted in the model and were considered a limitation.
Diagnosis of DCI
DCI was defined as a new focal neurological impairment, a decrease in level of consciousness, or a new cerebral infarction on follow-up computed tomography or magnetic resonance imaging occurring during the expected DCI risk window and not explained by another cause. The DCI risk window was defined as days 3–14 after the hemorrhage ictus. Alternative explanations, including rebleeding, hydrocephalus, seizure, infection, metabolic disturbance, sedative effect, and procedure-related infarction, were reviewed before classifying an event as DCI.
Outcome adjudication was performed by two clinicians with experience in the management of aSAH, including one neurosurgeon and one neurologist/neurocritical care physician. The adjudicators reviewed clinical notes, neurological examinations, imaging reports, and follow-up imaging. They were blinded to the final model output during outcome assessment. Disagreements were resolved through consensus discussion with review of the relevant imaging and clinical timeline. Formal inter-rater agreement was not measured, and this limitation was added because DCI classification may involve clinical judgment.
Sample Size Calculation
The sample size was estimated using the 10-events-per-variable (EPV) rule of thumb11. With 20 candidate predictor variables and an expected DCI incidence of approximately 35%, a minimum sample size of 20 × 10 / 0.35 ≈ 572 patients was required. Our final cohort of 680 patients exceeded this requirement. Although the events-per-variable (EPV) rule was applied as a general guideline, modern predictive modeling, particularly machine learning algorithms, may require more flexible sample-size considerations. The final cohort size was considered adequate to ensure model stability, minimize the risk of overfitting, and enable reliable estimation of model performance metrics.
Model development and validation
Patients were allocated to a training cohort of 544 patients and a hold-out internal validation cohort of 136 patients using an outcome-stratified 8:2 split. Outcome stratification was used to maintain a similar proportion of DCI events in the two cohorts. DCI occurred in 175 of 544 patients in the training cohort and 42 of 136 patients in the internal-validation cohort. The 8:2 hold-out design was retained because it was the prespecified model-development strategy and provided a separate cohort for preliminary internal performance assessment.
Predictor selection was performed only in the training cohort using least absolute shrinkage and selection operator regression with 10-fold cross-validation. The selected penalty parameter was λ = 0.031. Six predictors were retained: age, cerebral edema, hypoalbuminemia, modified Fisher grade, Hunt-Hess grade, and World Federation of Neurological Surgeons grade.
Logistic regression, extreme gradient boosting, light gradient boosting machine, support vector machine, and k-nearest neighbor models were developed using the same set of selected predictors. All preprocessing, predictor selection, and model-development procedures were restricted to the training cohort. The internal-validation cohort was not used during predictor selection or model tuning and was evaluated only after model development.
The numerical random seed used for the original cohort allocation was not retained in the archived analysis records and could not be retrospectively verified. Bootstrap optimism correction and repeated k-fold internal validation were also not available. Therefore, the present analysis is described as a single hold-out internal validation rather than an optimism-corrected or repeated cross-validated performance assessment.
Machine-learning reproducibility
LASSO predictor selection used 10-fold cross-validation within the training cohort. Continuous predictors were standardized when required by the modeling algorithm, and categorical predictors were represented using predefined binary clinical categories. The validation cohort was not used for tuning or model selection.
The archived analysis materials did not retain the final tuning grids, selected hyperparameters, complete package versions, original random seed, or a confirmed class-imbalance procedure for XGBoost, LightGBM, SVM, and KNN. These settings were therefore not reconstructed or estimated. The machine-learning comparisons should consequently be interpreted as exploratory comparisons of algorithms rather than fully reproducible model-development experiments. Reproducibility information, both available and unavailable, should be summarized in Supplementary Table 1.
Bias Control & Sensitivity Analysis
Consecutive eligible patients were included to reduce selection bias. Standardized variable definitions and a structured data-extraction form were used to reduce information bias. Predictors were restricted to information available before the intended DCI prediction time point to reduce information leakage. Predictor selection, preprocessing, and model development were performed only in the training cohort.
Modified Fisher grade, Hunt-Hess grade, and WFNS grade represent related aspects of hemorrhage burden and neurological severity. Although all three variables were retained after LASSO selection, the numerical variance inflation factor values and the results from a sensitivity model excluding overlapping severity scales were not included in the archived analysis output. These analyses could not be reconstructed from the aggregate tables because patient-level correlations and fitted model outputs are required. Therefore, the individual coefficients of these severity measures were not interpreted as independent or causal effects. They were retained only as components of the prediction model selected in the training cohort.
Model Interpretability
Clinical applicability was believed to require model interpretability as a crucial element. In the most effective model, the effects of predictors were considered to assess the clinical plausibility and conformity with existing pathophysiological knowledge of delayed cerebral ischemia. This method enabled a clear assessment of model behavior and improved the potential for clinical translation.
Missing Data
Variable-level missingness was assessed during data preparation. However, the original pre-imputation missing counts and percentages for each candidate variable were not retained in the archived analysis records and could not be accurately reconstructed from the aggregate tables. Consequently, no assumption of complete data was made, and no unverified missingness percentages were reported.
A verified supplementary missing-data table should be generated directly from the original deidentified patient-level dataset. Supplementary Table 2 should report, for every candidate variable, the number and percentage of missing observations before data handling, the method used to address missingness, and the number of observations included in the final analysis. The inability to recover the original variable-specific missingness pattern was considered a limitation of the present report.
Statistical Analysis
Predictor selection was performed in the training cohort using LASSO regression with 10-fold cross-validation. Discrimination was assessed using the area under the receiver operating characteristic curve with 95% confidence intervals. Calibration was described using calibration plots and point estimates of the calibration slope, calibration intercept, and Brier score. Bootstrap confidence intervals for calibration measures were not available.
Threshold-dependent classification measures were calculated from the available internal-validation confusion matrices. The exact numerical probability threshold used to generate the archived confusion matrices was not retained and could not be verified. Therefore, these measures were interpreted descriptively and were not used as the primary basis for model selection. Decision-curve analysis was also considered exploratory because the exact prespecified threshold range and patient-level net-benefit output were not retained. A two-sided P value below 0.05 was considered statistically significant.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Vergleich der Basislinienmerkmale zwischen Trainings- und internen Validierungskohorten
Insgesamt wurden 680 Patienten mit aSAH eingeschlossen. Die Trainingskohorte umfasste 544 Patienten, von denen 175 ein DCI entwickelten, während die interne Validierungskohorte 136 Patienten umfasste, von denen 42 ein DCI entwickelten. Die DCI-Ereignisrate betrug in der Trainingskohorte 32,2 % und in der internen Validierungskohorte 30,9 %. Die Basischarakteristika sind in Tabelle 1...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diese Studie entwickelte und intern validierte ein Vorhersagemodell für die späte zerebrale Ischämie (DCI) nach aneurysmatischer subarachnoidaler Blutung (aSAH) unter Verwendung früher klinischer, laborchemischer und bildgebender Variablen. Nach der Prädiktorauswahl verblieben sechs Variablen: Alter, zerebrales Ödem, Hypoalbuminämie, modifizierter Fisher-Grad, Hunt-Hess-Grad und Grad der World Federation of Neurological Surgeons. Unter den evaluierten Modellen zeigte die logistische Regression eine stabile interne Diskri...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Die Autoren danken dem medizinischen Schreibdienst des Yulin First Hospital für die Unterstützung beim Abrufen anonymisierter klinischer Daten. Diese Mitarbeiter waren nicht an der Studiendurchführung, der Bewertung der Ergebnisse, der statistischen Modellierung, der Interpretation der Ergebnisse, der Manuskripterstellung oder der Genehmigung des endgültigen Manuskripts beteiligt und erfüllten daher nicht die Kriterien für eine Autorenschaft.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| System zur elektronischen Patientenakte | Yulin First Hospital | Nicht zutreffend | Quelle für retrospektive klinische Daten; die genaue kommerzielle Plattform ist in den archivierten Aufzeichnungen nicht enthalten. |
| IBM SPSS Statistics | IBM Corporation | Version 25.0 | Deskriptive und inferenzstatistische Analyse. |
| Implementierung des K-nächsten-Nachbarn-Verfahrens | Paket/Quelle nicht gespeichert | Nicht verfügbar | Exploratives Modell des maschinellen Lernens; das genaue Paket und die Version müssen aus der ursprünglichen Codeumgebung rekonstruiert werden. |
| LightGBM | Microsoft / Open-Source-Projekt | Version nicht verfügbar | Exploratives Gradient-Boosting-Modell; die genaue Paketversion und die Hyperparameter wurden nicht gespeichert. |
| Statistiksoftware R | R Foundation for Statistical Computing | Version 4.3.2 | Statistische Modellierung und interne Leistungsbeurteilung. |
| Implementierung der Support-Vektor-Maschine | Paket/Quelle nicht gespeichert | Nicht verfügbar | Exploratives Modell des maschinellen Lernens; das genaue Paket, die Kernel-Einstellungen und die Version wurden nicht gespeichert. |
| XGBoost | Open-Source-Projekt | Version nicht verfügbar | Exploratives Gradient-Boosting-Modell; die genaue Paketversion und die Hyperparameter wurden nicht gespeichert. |
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.