基于多模态机器学习的急性中风警报误报预测与风险分层

《npj Cardiovascular Health》：Predicting acute intracranial vascular events in stroke alerts using large-language models and structured data

　　

摘要

急性中风警报经常因非脑血管疾病而被触发，导致误报，这会消耗医疗资源并增加诊断的不确定性。我们开发了机器学习模型，整合了大型语言模型、结构化电子健康记录数据以及临床时间序列特征，以在中风警报被触发时预测急性颅内血管事件（AIVE）。利用西奈山医疗系统（2011-2021年）的回顾性中风警报数据，我们提取了患者的人口统计学信息、合并症、用药情况、生命体征、实验室检查结果以及警报触发前的临床记录。AIVE是根据放射学金标准定义的，包括急性脑血管疾病和某些选定的急性颅内疾病。临床记录通过Clinical-Longformer和MBAI嵌入进行建模，并结合前馈神经网络进行处理；结构化数据模型则采用了经过超参数调优的工作流程。模型输出结果通过晚期融合集成器进行组合，并在内部测试集和系统内部的保留测试集上进行了评估。在16,512次中风警报中，有9,013次（55.6%）是由AIVE引起的。该多模态模型在内部测试中的AUROC值为0.73（95%置信区间：0.71–0.75），阳性预测值为0.68，灵敏度为0.76，F1分数为0.72，特异性为0.56；在保留测试集上的表现也类似。这种方法有助于在中风警报触发后对患者进行风险分层，并减少误报的发生。