Explainable Artificial Intelligence for Prehospital Identification of Stroke Patients Likely to Receive Endovascular Thrombectomy: A Retrospective Real-World Study
这项回顾性真实世界研究表明，虽然随机森林机器学习模型在识别院前可能接受血管内取栓治疗的中风患者方面达到了高敏感度（0.92）和 0.85 的 AUROC，但其性能在统计学上并不优于既有的 4I-SS 临床量表。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年，全球有数百万人遭受中风之苦。中风是由于大脑血流突然中断导致的，这可能造成持久性的损伤甚至夺去生命。当大脑中的大动脉被阻塞时，最有效的治疗方法是一种被称为血管内取栓术的程序，即医生通过该程序物理性地移除血块。这种治疗在症状出现后的数小时内进行效果最好。挑战在于如何让合适的患者快速到达合适的医院。救护人员经常必须决定是将患者直接送往能够执行该程序的专业中心，还是先送往较近的当地医院。将所有人送往专业中心可能会使这些设施不堪重负，而将错误的患者先送往当地医院则会导致危险的延误。目标是在患者仍在救护车上时，识别出那些需要这种高级程序的特定患者，但目前救护人员使用的工具并不能完美地做出这种区分。
德国的一个研究小组致力于研究现代计算机学习是否可以改善这一决策过程。他们研究了2015年至2021年间，在某一农村地区疑似中风并由救护车转运的1,400多名患者的真实世界数据。研究人员希望构建一种数字工具，该工具可以分析救护人员在现场收集的信息——例如患者的年龄、血压以及特定的脑部功能障碍征兆，如身体一侧无力或说话困难——并预测该患者最终是否需要进行高级的取栓程序。他们测试了几种不同的计算机模型，以观察这些模型是否能比救护人员目前使用的标准清单更好地识别出这些患者。
研究发现，计算机模型在完成任务方面表现得相当出色，但它们并没有显著超越现有的由人类制定的清单。表现最好的计算机模型达到了0.92的AUC（曲线下面积），尽管它也标记了一些并不需要该程序的患者。这是一个至关重要的平衡点：在急诊医学中，漏掉一名需要该程序的患者比错误地将一名额外的患者送往专业中心要严重得多。研究人员发现，计算机模型在很大程度上依赖于经验丰富的医生所寻找的相同线索，例如身体一侧瘫痪、语言障碍和意识状态改变。计算机并没有发明新的规则，它只是证实了这些特定的身体体征是严重阻塞的最强有力指标。
这项工作最重要的部分之一是使计算机的思维过程可视化。研究人员使用了一种方法，可以让他们准确看到哪些因素促使计算机对每位患者做出了特定的预测。这种透明度至密重要，因为救护人员和医生需要信任这个工具。他们需要知道计算机不是在随机猜测，而是在权衡与人类专家相同的临床证据。研究表明，计算机的逻辑与医学直觉高度一致，重点关注神经功能缺损的严重程度以及症状开始持续的时间。
尽管模型取得了成功，但研究人员指出，这项技术并不是一个能完全解决问题的“万灵药”。数据显示，即使是最好的模型仍然会产生一些误报，而且实际上需要高级程序的患者人数相对于总的中风患者人数来说是相对较少的。这意味着虽然计算机可以提供帮助，但它不能取代人类的判断和现有的医疗方案。研究表明，这些工具最有用的地方在于作为一种辅助指导，帮助优先处理患者，并确保那些需要专门治疗的患者能够尽可能快地到达。这项工作是一个概念验证，证明了利用真实世界的急救数据来构建可靠且易于理解的工具是可能的，这些工具未来有望整合到救护人员的日常工作流程中，从而挽救更多的生命。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。