Compact machine learning model for perioperative stroke prediction prior to surgery: A retrospective cohort study
8.0
来源：
Nature
关键字：
AI brain science
发布时间：
2025-11-19 23:44
摘要：
本研究开发了一种基于机器学习的围手术期中风预测模型，利用36,502名患者的数据进行开发和验证。该模型通过CatBoost算法实现，显示出在外部验证集中的AUC为0.875，显著优于传统心血管评分。研究强调了机器学习在临床风险评估中的潜力，尤其是在提高围手术期中风预测的准确性和可用性方面。该模型的紧凑性使其更易于在临床环境中应用，具有重要的商业价值和市场潜力。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0分+1.0分
business_impact
1.0分+1.0分
scientific_rigor
1.5分+1.5分
timeliness_innovation
1.5分+1.5分
investment_perspective
2.5分+2.5分
market_value_relevance
1.0分+1.0分
team_institution_background
0.5分+0.5分
technical_barrier_competition
1.0分+1.0分
关键证据
CatBoost模型在外部验证集中显示出AUC为0.875，优于传统心血管评分。
研究利用36,502名患者的数据进行模型开发和验证，具有较强的科学性。
模型的紧凑性和高准确性提高了临床应用的可行性。
真实性检查
否
AI评分总结
本研究开发了一种基于机器学习的围手术期中风预测模型，利用36,502名患者的数据进行开发和验证。该模型通过CatBoost算法实现，显示出在外部验证集中的AUC为0.875，显著优于传统心血管评分。研究强调了机器学习在临床风险评估中的潜力，尤其是在提高围手术期中风预测的准确性和可用性方面。该模型的紧凑性使其更易于在临床环境中应用，具有重要的商业价值和市场潜力。