Prédiction des résultats cliniques basée sur l'apprentissage automatique après un premier accident vasculaire cérébral ischémique

Contexte : La prédiction précise des résultats cliniques chez des patients individuels après un AVC aigu est vitale pour les professionnels de la santé afin d'optimiser les stratégies de traitement et de planifier les soins futurs des patients. Ici, nous utilisons des techniques avancées d'apprentissage automatique (AA) pour comparer systématiquement la prédiction de la récupération fonctionnelle, de la fonction cognitive, de la dépression et de la mortalité chez des patients ayant subi leur premier AVC ischémique et pour identifier les principaux facteurs pronostiques. Méthodes : Nous avons prédit les résultats cliniques pour 307 patients (151 femmes, 156 hommes ; 68 ± 14 ans) de l'étude PROSpective Cohort with Incident Stroke Berlin en utilisant 43 caractéristiques de base. Les résultats comprenaient l'échelle modifiée de Rankin (mRS), l'indice de Barthel (BI), l'examen de l'état mental mini-mental (MMSE), l'entretien modifié par téléphone sur l'état cognitif (TICS-M), l'échelle de dépression du Center for Epidemiologic Studies (CES-D) et la survie. Les modèles AA comprenaient une machine à vecteurs de support avec un noyau linéaire et un noyau de fonction à base radiale ainsi qu'un classificateur à gradient boosting basé sur une validation croisée imbriquée en 5 fois répétées. Les principaux facteurs pronostiques ont été identifiés à l'aide des explications additives de Shapley. Résultats : Les modèles AA ont atteint une performance prédictive significative pour le mRS au moment de la sortie du patient et après 1 an, le BI et le MMSE à la sortie du patient, le TICS-M après 1 et 3 ans, et le CES-D après 1 an. De plus, nous avons montré que l'échelle des AVC des National Institutes of Health (NIHSS) était le meilleur prédicteur pour la plupart des résultats de récupération fonctionnelle ainsi que l'éducation pour la fonction cognitive et la dépression. Conclusion : Notre analyse par apprentissage automatique a démontré avec succès la capacité à prédire les résultats cliniques après un premier AVC ischémique et a identifié les principaux facteurs pronostiques qui contribuent à cette prédiction.