A prehospital diagnostic algorithm for strokes using machine learning: a prospective observational study

Abstract

High precision is optimal in prehospital diagnostic algorithms for strokes and large vessel occlusions (LVOs). We hypothesized that prehospital diagnostic algorithms for strokes and their subcategories using machine learning could have high predictive value. Consecutive adult patients with suspected stroke as per emergency medical service personnel were enrolled in a prospective multicenter observational study in 12 hospitals in Japan. Five diagnostic algorithms using machine learning, including logistic regression, random forest, support vector machine, and eXtreme Gradient Boosting (XGBoost), were evaluated for stroke and subcategories including acute ischemic stroke (AIS) with/without LVO, intracranial hemorrhage (ICH), and subarachnoid hemorrhage (SAH). Of the 1446 patients in the analysis, 1156 (80%) were randomly included in the training cohort and 290 (20%) were included in the test cohort. In the diagnostic algorithms for strokes using XGBoost had the highest diagnostic value (test data, area under the receiver operating curve [AUROC] 0.980, confidence interval [CI; 0.962–0.994]). In the diagnostic algorithms for the subcategories using XGBoost had a high predictive value (test data, AUROC [CI], AIS with LVO 0.898 [0.848–0.939], AIS without LVO 0.882 [0.836–0.923], ICH 0.866 [0.817–0.911], SAH 0.926 [0.874–0.971]). Prehospital diagnostic algorithms using machine learning had high predictive value for strokes and their subcategories.

Modelos de predição aplicados no diagnóstico do AVC: uma revisão de escopo

“…Em (16) o conjunto de dados utilizado no artigo foi baixado do site do The International Stroke Trial (IST) e consistia em 19.435 dados de pacientes, no entanto, apenas 16.636 pacientes foram usados, por se tratar dos dados relacionados ao subtipo do AVCi. Em (17) o conjunto de dados utilizado consistia em pacientes adultos consecutivos com suspeita de AVC que foram inscritos em um estudo observacional multicêntrico em 12 hospitais no Japão. Inclui 1778 dados de pacientes, destes 332 tinham dados de diagnóstico ausente e 1446 foram analisados.…”

“…Em (17) devido ao estudo ser multicêntrico, mas conduzido em uma única região do Japão, não ficou claro se o algoritmo teria alto valor preditivo em diferentes áreas com origens diversas e generalização. A exclusão de pacientes pediátricos também foi destacada como uma limitação do estudo.…”