基于机器学习的急性缺血性脑卒中患者卒中后焦虑预测模型构建

摘要

目的 构建并验证基于机器学习（ML）的急性缺血性脑卒中（AIS）患者卒中后焦虑（PSA）预测模型，为PSA的早期风险分层与干预提供工具。方法 回顾性纳入2023-01—2025-09安徽中医药大学第七附属医院的AIS患者187例。根据卒中后3个月汉密尔顿焦虑量表评分将患者分为PSA组57例与非PSA组130例。收集人口学特征、卒中严重程度、实验室指标、心理社会量表及治疗因素等候选预测变量。采用LASSO回归筛选特征后，分别构建正则化Logistic回归（LR）、随机森林（RF）、XGBoost和LightGBM模型。通过受试者工作特征曲线下面积（AUC）、灵敏度、特异度、F1分数、Brier分数评估模型区分度与校准度，并采用决策曲线分析（DCA）评估临床实用性。结果 本组患者PSA发生率30.48%。LASSO回归筛选出10个关键预测因素，包括入院NIHSS评分、出院改良Rankin量表评分、既往焦虑史、女性、匹兹堡睡眠质量指数总分、医院焦虑抑郁量表-焦虑维度总分、中性粒细胞-淋巴细胞比值、左额-皮质下病灶、糖尿病和社会支持评定量表总分。在所有模型中，LightGBM模型表现最佳，其测试集AUC为0.866(95%CI:0.853～0.893)，灵敏度0.781，特异度0.796,F1分数0.62,Brier分数0.133，校准良好。DCA曲线显示，LightGBM模型在0.10～0.50的阈值概率范围内具有稳定的临床净获益。结论 基于LightGBM机器学习算法构建的PSA预测模型展现出优异的预测性能与临床实用价值，有助于识别AIS后PSA高危患者，为实现早期精准干预提供了数据支持。

关键词

急性缺血性脑卒中 / 卒中后焦虑 / 机器学习 / 预测模型 / 校准 / 决策曲线分析

基金资助

2024年度阜阳市卫健委健康科研项目（编号：FYZC2024-039）