Leveraging machine learning for enhanced and interpretable risk prediction of venous thromboembolism in acute ischemic stroke care
Einsatz von Machine Learning für eine verbesserte und interpretierbare Risikovorhersage von venösem Thromboembolismus in der Akutversorgung des ischämischen Schlaganfalls
PLOS ONE · 18.03.2025 · 20 (3) · e0302676
DOI: 10.1371/journal.pone.0302676 ↗Auf einen Blick
Bei 1.632 Patient:innen mit akutem ischämischem Schlaganfall sagte ein GBM-Modell das VTE-Risiko am besten voraus. Die AUC lag bei 0,923.
Fragestellung
Lassen sich mit Machine-Learning-Modellen klinische Daten nutzen, um venösen Thromboembolismus bei akutem ischämischem Schlaganfall vorherzusagen?
Methode
Entwicklung von Machine-Learning-Modellen mit klinischen Daten von Patient:innen mit akutem ischämischem Schlaganfall, aufgenommen zwischen Dezember 2021 und Dezember 2023; Vergleich von GBM, RF und LR; Interpretierbarkeit mit SHAP.
Ergebnisse
Von 1.632 AIS-Patient:innen entwickelten 4,17 % VTE. GBM erreichte die höchste Vorhersagegüte mit AUC 0,923 sowie Sensitivität 90,83 % und Spezifität 93,83 %.
Einschränkungen
Weitere Validierung ist erforderlich, um die breitere klinische Anwendbarkeit zu prüfen.
Schlussfolgerung der Autor:innen
Die Studie liefert mit dem GBM-Modell eine genaue und interpretierbare Methode zur Vorhersage des VTE-Risikos bei AIS, was die Früherkennung verbessern und Morbidität senken könnte.
Kernaussagen
- GBM sagte VTE bei AIS am besten voraus
- AUC 0,923; Sensitivität 90,83 %; Spezifität 93,83 %
- Wichtige Prädiktoren: D-Dimer, premorbid mRS, Large Vessel Occlusion
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift PLOS ONE, online erschienen am 18.03.2025. Verfasst von Youli Jiang und 6 weiteren Autor:innen. Beteiligte Einrichtung: Department of Neurology, People's Hospital of Longhua, Shenzhen, China. Hauptthemen laut MEDLINE: Venous Thromboembolism, Machine Learning, Ischemic Stroke. Die Arbeit wurde bisher 12-mal zitiert (Crossref) und nennt 38 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Scientific Research Projects of Medical and Health Institutions of Longhua District, Shenzhen.
Themen: Thromboseprophylaxe, Künstliche Intelligenz in der Pflege, Schlaganfall
Abstract (Originalsprache)
Background
Venous thromboembolism (VTE) is a life-threatening complication commonly occurring after acute ischemic stroke (AIS), with an increased risk of mortality. Traditional risk assessment tools lack precision in predicting VTE in AIS patients due to the omission of stroke-specific factors.
Methods
We developed a machine learning model using clinical data from patients with acute ischemic stroke (AIS) admitted between December 2021 and December 2023. Predictive models were developed using machine learning algorithms, including Gradient Boosting Machine (GBM), Random Forest (RF), and Logistic Regression (LR). Feature selection involved stepwise logistic regression and LASSO, with SHapley Additive exPlanations (SHAP) used to enhance model interpretability. Model performance was evaluated using area under the receiver operating characteristic curve (AUC), sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV).
Results
Among the 1,632 AIS patients analyzed, 4.17% developed VTE. The GBM model achieved the highest predictive accuracy with an AUC of 0.923, outperforming other models such as Random Forest and Logistic Regression. The model demonstrated strong sensitivity (90.83%) and specificity (93.83%) in identifying high-risk patients. SHAP analysis revealed that key predictors of VTE risk included elevated D-dimer levels, premorbid mRS, and large vessel occlusion, offering clinicians valuable insights for personalized treatment decisions.
Conclusion
This study provides an accurate and interpretable method to predict VTE risk in patients with AIS using the GBM model, potentially improving early detection rates and reducing morbidity. Further validation is needed to assess its broader clinical applicability.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Autor:innen und Institutionen
- Department of Neurology, People's Hospital of Longhua, Shenzhen, China.
- Clinical Nursing Teaching and Research Section, The Second Xiangya Hospital of Central South University, Changsha, China.
- Department of Intelligent security laboratory, Shenzhen Tsinghua University Research Institute, Shenzhen, Guangdong, China.
ORCID-Profile: Youli Jiang, Ao Li
Förderung
- Scientific Research Projects of Medical and Health Institutions of Longhua District, Shenzhen
Zitieren
APA
Jiang, Y., Li, A., Li, Z., Li, Y., Li, R., Zhao, Q., & Li, G. (2025). Leveraging machine learning for enhanced and interpretable risk prediction of venous thromboembolism in acute ischemic stroke care. PLOS ONE, 20(3), e0302676. https://doi.org/10.1371/journal.pone.0302676
Vancouver
Jiang Y, Li A, Li Z, Li Y, Li R, Zhao Q, et al. Leveraging machine learning for enhanced and interpretable risk prediction of venous thromboembolism in acute ischemic stroke care. PLOS ONE. 2025;20(3):e0302676. doi:10.1371/journal.pone.0302676
BibTeX
@article{Jiang2025,
author = {Jiang, Youli and Li, Ao and Li, Zhihuan and Li, Yanfeng and Li, Rong and Zhao, Qingshi and Li, Guisu},
title = {Leveraging machine learning for enhanced and interpretable risk prediction of venous thromboembolism in acute ischemic stroke care},
journal = {PLOS ONE},
year = {2025},
volume = {20},
number = {3},
pages = {e0302676},
doi = {10.1371/journal.pone.0302676}
}
EUVIMED