인터넷 검색어를 통한 뇌졸중 예측

이 연구에서는 2016년에서 2020년 사이에 뇌졸중으로 Tel-Aviv Sourasky Medical Center에 입원한 환자의 Google 쿼리를 분석합니다. 서명된 정보에 입각한 동의서 양식을 정식으로 작성한 후, 동의한 피험자는 뇌졸중 발생 전 최대 2년부터 발생 후 1년까지의 검색 데이터를 Google 테이크아웃 서비스에 개인적으로 요청하고 이러한 데이터를 일회성 파일로 생성하여 연구원에게 액세스 권한을 제공합니다. 데이터를 공유하고 연구자와 공유합니다. 정보에 입각한 동의에 따라 Google 검색어의 데이터는 뇌졸중 발생 2년 전부터 1년 후까지 Google "테이크 아웃" 서비스를 사용하는 참가자에 의해 추출됩니다. 대조군은 급성 심근경색(MI) 진단을 받은 환자와 MI/뇌졸중이 없는 환자의 배우자로 구성됩니다. 채용은 주로 뇌졸중 및 급성 심근경색의 두 기관에서 승인된 데이터베이스에서 이루어집니다. 모델을 구성하고 성능을 테스트하는 데 필요한 최소 크기의 쿼리 로그 데이터 세트에 대한 이전 경험을 기반으로 각 그룹에 150명씩 총 450명의 참가자를 모집합니다.

익명성은 여러 방식을 통해 보장됩니다. Google Takeout 데이터에 대한 액세스는 연구를 수행하는 데 필요한 최소한의 양으로 제한되며 Tel-Aviv University의 데이터 분석 팀 구성원에게만 제공되며 의료 데이터에 대한 액세스는 다음과 같은 연구원에게만 제공됩니다. 텔아비브 수라스키 메디컬 센터. 또한 Tel-Aviv University Partner Team의 구성원은 시험에 참여하는 피험자를 식별하려는 긍정적인 시도를 자제할 의무가 있습니다. Tel-Aviv University와 공유되는 모든 데이터는 암호화된 로컬 하드 디스크에 저장됩니다. 데이터는 프로젝트 종료 시 Tel-Aviv University의 컴퓨터에서 삭제됩니다.

우리가 이전에 개발한 머신 러닝 모델은 0.972의 곡선 아래 면적(AUC)이 1%의 위양성 비율에서 52.7%의 양성 예측 값으로 변환되는 연령 일치 대조군과 비교하여 피험자의 뇌졸중을 예측할 수 있었습니다. , 매일 그 사람이 뇌졸중 사건을 겪을 가능성을 예측하는 데 사용됩니다. 이것은 뇌졸중 또는 MI의 알려진 날짜와 비교됩니다. 성능 측정은 감지의 ROC(수신기 작동 곡선) 및 해당 AUC(곡선 아래 영역)입니다. 또한 수집된 데이터를 사용하여 새 모델을 교육하고 유사하게 테스트하지만 10배 교차 검증을 사용합니다. 뇌졸중 감지 민감도와 특이도가 도출됩니다.