基于机器学习的缺血性脑卒中合并高血压患者出院功能结局预测模型的构建与验证

摘要

目的 基于机器学习的方法构建并验证缺血性脑卒中合并高血压患者出院功能结局的预测模型。方法 初始纳入缺血性脑卒中合并高血压患者925例，收集其入院时临床资料及实验室指标共60项。根据出院时的改良Rankin量表（mRS）评分将患者分为2组：mRS≤2分定义为预后良好组，mRS>2分定义为预后不良组。删除缺失超过20%的变量，对其余缺失的数据进行处理。单因素回归分析描述变量分布特征。采用LASSO回归筛选全部变量，构建Logistic回归、随机森林（RF）、支持向量机（SVM）及极端梯度提升（XGBoost）模型。结果 最终纳入638例患者，其中预后良好组467例（73.2%），预后不良组171例（26.8%）。套索回归（LASSO）筛选变量，通过10折交叉验证确定最优正则化参数（λ=0.657 9），最终筛选出21个非零系数变量作为模型的预测特征。构建4种机器学习预测模型：Logistic回归、RF模型、SVM模型和XGBoost模型。其中XGBoost模型表现出最优的区分度（AUC=0.864 7），且敏感度（74.51%）和F1分数（0.703 7）均为最高。4种模型的校准曲线均贴近理想对角线，Brier分数均处于较低水平。沙普利加性解释（SHAP）分析显示，NIHSS评分、纤维蛋白原、游离三碘甲状原氨酸、红细胞、白细胞及血红蛋白等为主要影响因素。结论 基于机器学习构建的预测模型对脑卒中患者的预后功能具有良好判别能力，可用于临床早期风险评估。

关键词

缺血性脑卒中 / 高血压 / 机器学习 / 预测模型 / 沙普利加性解释分析

基金资助

河北省中医药管理局科研计划项目（编号：2026167）