[文獻閱讀]Machine Learning-Based Model for Prediction of Outcomes in Acute Stroke.

研究目的：

比較不同分析模型預測急性中風患者long-term outcome之間的差異。本研究使用machine learning (ML)的運算模型，希望能提升急性中風患者long-term outcome的預測能力。

方法：

本研究使用了ML的三種運算法和傳統的分析方式，比較使用ML是否會比傳統的預測模型更具效能

研究者使用了2種不同的預測模型：(1) 納入所有資料的變項；(2) 僅納入包含在ASTRAL量表中的6個變項。此兩種預測模型利用ML的三種運算法：(1) deep neural network; (2)random forest; (3)regression和ASTRAL量表的預測模型做比較。

結果：

結果顯示在納入所有變項的預測模型中，deep neural network的分析法比其他兩種運算法及ASTRAL量表能更有效預測急性中風患者得預後。由ROC curve的圖形來看，ROC曲線下的面積，deep neural network比ASTRAL量表更具預測能力，並達到統計顯著[0.888 for deep neural network; 0.839 for ASTRAL scale]。然而，random forest和regression的運算法雖然比ASTRAL量表有較好的預測能力，但未達統計顯著[0.857 for random forest; 0.849 for logistic regression]。

在納入6個變項的預測模型中，3種ML運算法雖然都比ASTRAL量表有稍好的預測能力，但皆未達統計顯著[0.853 for deep neural network; 0.828 for random forest; 0.846 for logistic regression]。

討論：

本研究發現使用ML運算法相較ASTRAL量表，更能提升預測急性中風患者long-term outcome的預測能力。三種運算法中，deep neural network的預測效能在納入所有變項及6項ASTRAL的變項時，顯著比其他兩種運算法及ASTRAL更好。所以deep neural network可能是最適合來預測long-term outcome的運算法。

限制：

本研究為單一機構收案，所使用的變項是該機構所使用的評估變項。研究結果可能受到不同機構使用不同評估變項影響。