通过 Internet 搜索查询进行中风预测

在本研究中，我们将分析 2016 年至 2020 年间在特拉维夫 Sourasky 医疗中心住院的中风患者的 Google 查询。 在正式完成签署的知情同意书后，同意的受试者将亲自从 Google Takeout 服务中请求他们在中风前 2 年至中风后一年内的搜索数据，并通过创建这些数据的一次性文件向研究人员提供访问权限数据并与研究人员共享。 谷歌查询的知情同意数据将由参与者使用谷歌“取出”服务提取，从中风前 2 年到中风后一年。 对照组将由诊断为急性心肌梗塞 (MI) 的患者和无 MI/中风患者的配偶组成。 招募将主要来自两个机构批准的中风和急性心梗数据库。 总共将招募 450 名参与者，每组 150 名，根据构建模型和测试其性能所需的最小查询日志数据集的先前经验。

将通过多种方式保证匿名性；对 Google Takeout 数据的访问权限将仅限于执行研究所需的最低数量，并且只会提供给特拉维夫大学数据分析团队的成员，而对医疗数据的访问权限将只提供给来自以下机构的研究人员特拉维夫 Sourasky 医疗中心。 此外，特拉维夫大学合作伙伴团队的成员将有义务避免任何积极的尝试来确定参与试验的受试者。 与特拉维夫大学共享的所有数据都将存储在本地加密硬盘上。 项目结束时，这些数据将从特拉维夫大学的计算机中删除。

我们之前开发的机器学习模型，与年龄匹配的对照组相比，该模型能够预测受试者的中风，曲线下面积 (AUC) 为 0.972，在 1% 的假阳性率下转化为 52.7% 的阳性预测值, 将用于预测每一天一个人在那天发生中风事件的可能性。 这将与已知的中风或 MI 日期进行比较。 性能的衡量标准是检测的接受者操作曲线 (ROC) 和相应的曲线下面积 (AUC)。 此外，将使用收集的数据训练新模型并进行类似测试，尽管使用 10 折交叉验证。 将导出中风检测灵敏度和特异性。