急性缺血性脑卒中患者静脉溶栓治疗后早期神经功能改善的预测模型

摘要

目的：早期神经功能改善(early neurological improvement,ENI)对接受静脉溶栓治疗的急性缺血性卒中(acute ischemic stroke,AIS)患者预后意义重大。本研究旨在开发并验证基于机器学习的ENI风险预测模型，以期早期、准确评估AIS患者接受静脉溶栓治疗后出现ENI的概率，为临床决策提供参考。方法：收集305例接受静脉溶栓治疗的AIS患者的临床资料并进行回顾性分析。比较逻辑回归、最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归、支持向量机(support vector machine, SVM)、极端梯度提升(extreme gradient boosting,XGBoost)和随机森林5种机器学习算法的性能以筛选最优模型。采用性能最优算法从候选变量中筛选与ENI相关的关键预测因子，并据此构建可视化列线图预测模型。通过受试者操作特征曲线、校准曲线、HosmerLemeshow检验和决策曲线分析(decision curve analysis,DCA)评估模型的预测准确性和临床实用性。结果：在5种算法中，LASSO回归模型表现出最佳的综合性能，测试集曲线下面积(area under the curve,AUC)为0.843(95%CI0.760～0.926)。该模型筛选出性别、入院美国国立卫生研究院卒中量表(National Institutes of Health Stroke Scale,NIHSS)评分、入院至溶栓时间、白细胞计数、淋巴细胞计数、D-二聚体水平、体重指数、血栓部位及发病至治疗时间共9个ENI的关键预测因子。基于上述因子构建的列线图校准度良好(Hosmer-Lemeshow检验P>0.05)。DCA结果表明，在较宽的阈值概率范围内，该列线图模型具有显著的临床净获益。结论：基于LASSO回归构建的列线图模型对AIS患者溶栓后ENI具有较好的预测效能，可为临床个体化治疗提供辅助参考。

关键词

急性缺血性卒中 / 早期神经功能改善 / 机器学习 / LASSO回归 / 列线图

基金资助

湖南省自然科学基金(2023JJ30861)