Модель машинного обучения для прогнозирования исхода гипербарической оксигенации при внутримозговом кровоизлиянии

Исходы гипербарической оксигенации при внутримозговом кровоизлиянии вариабельны, что затрудняет планирование лечения. На данных 401 пациента, получившего гипербарическую оксигенацию в Первой аффилированной больнице Цзясина (Китай), с помощью многофакторной логистической регрессии и машинного обучения (с 10-кратной кросс-валидацией) построена прогностическая модель, интерпретированная методом SHapley Additive exPlanations (SHAP) и преобразованная в номограмму на основе логистической регрессии. По модифицированной шкале Рэнкина пациенты разделены на группу хорошего прогноза (< 3 балла, n = 265) и плохого прогноза (≥ 3 баллов, n = 136). Независимыми факторами риска неблагоприятного исхода стали оценка по шкале комы Глазго, объем кровоизлияния по данным компьютерной томографии, балл activities of daily living, модальность лечения, внутрижелудочковое кровотечение и повторное кровотечение. Среди проверенных алгоритмов наилучшую предсказательную точность показал случайный лес (площадь под ROC-кривой = 0,99).