基于可解释机器学习构建急性缺血性脑卒中静脉溶栓预后模型

摘要

目的 构建急性缺血性脑卒中(AIS)患者静脉溶栓(IVT)后发生早期神经功能恶化(END)机器学习(ML)模型，并利用沙普利加和解释(SHAP)分析发生END的风险因素。方法 选取97例接受IVT治疗的AIS患者作为研究对象。根据患者IVT后24 h内是否出现END分为END组(18例)和非END组(79例)。将所有患者按照7:3随机分为训练集(n=68)和验证集(n=29)。采用单因素及最小绝对收缩与选择算子(LASSO)分析患者的临床资料，筛选发生END的重要特征变量。分别应用随机森林、轻量级梯度提升机、决策树、支持向量机、K最近邻和极端梯度提升这6种ML算法构建预测模型。采用受试者工作特征(ROC)曲线、校准曲线及决策曲线分析(DCA)对各ML模型进行效能评估，并引入SHAP方法对最优ML模型进行解释。结果 6种ML算法模型比较结果显示，随机森林为最佳预测模型，在训练集中的曲线下面积(AUC)为0.909,特异度、精确率、召回率及F1值分别为0.873、0.856、0.910及0.825;在验证集中的AUC为0.915,特异度、精确率、召回率及F1值分别为0.824、0.800、0.945和0.834。校准曲线和DCA曲线显示，随机森林模型具有更高的预测精准度和临床净获益率。SHAP变量重要性图显示对发生END贡献程度最大的前6位影像因素依次为大面积脑梗死、溶栓前美国国立卫生研究院卒中量表(NIHSS)评分、到院至溶栓时间(DNT)、心房颤动史、白细胞(WBC)水平及糖尿病史。结论 ML模型能够有效预测IVT患者发生END的风险，其中随机森林模型预测效能最佳，结合SHAP进行模型可视化解释，能够帮助临床医师了解各特征变量对预测结果的贡献程度，从而实施针对性预防治疗方案。

关键词

机器学习 / 沙普利加和解释 / 急性缺血性脑卒中 / 静脉溶栓 / 早期神经功能恶化 / 随机森林模型 / 大面积脑梗死 / 美国国立卫生研究院卒中量表