利用决策树算法构建急性脑梗死恢复期并发抑郁症的风险预测可视化模型

摘要

目的 利用决策树算法构建急性脑梗死(ACI)恢复期并发抑郁症的风险预测可视化模型。方法 回顾性分析2020年10月至2023年12月期间河南省荣军医院康复医学科收治的306例ACI恢复期患者的临床资料，根据患者汉密顿抑郁量表(HAMD)评分将其分为抑郁症组(n=125)和非抑郁症组(n=181),采用多因素logistic回归分析法探讨ACI患者恢复期并发抑郁症的影响因素。按照7∶3比例将306例患者随机分为训练集(n=214)和测试集(n=92),基于训练集数据构建决策树模型，基于测试集数据验证决策树模型的预测效能。结果 抑郁症组脑力型职业、家庭月收入≤3 000元、护工照顾、美国国立卫生研究院卒中量表(NIHSS)≥21分、左大脑半球梗死、多发性脑梗死、失语及活动障碍占比均高于非抑郁组(P<0.05);多因素logistic回归分析结果显示，家庭月收入≤3 000元、NIHSS评分≥21分、左大脑半球梗死、多发性脑梗死、失语及活动障碍均为ACI恢复期并发抑郁症的危险因素(P<0.05);基于训练集数据，建立家庭月收入、NIHSS评分、梗死部位、多发性脑梗死、失语及活动障碍等共6个变量在内的ACI恢复期并发抑郁症的决策树模型，共提取7条分类规则，其中多发性脑梗死是该模型的首要影响因素。基于测试集数据对决策树模型进行验证，结果显示该模型预测ACI恢复期并发抑郁症的灵敏度为86.48%,特异度为83.64%,准确度为84.78%。结论ACI恢复期并发抑郁症的决策树模型包括6个变量，分别为家庭月收入、NIHSS评分、梗死部位、多发性脑梗死、失语及活动障碍，其中多发性脑梗死是该模型的首要影响因素，该模型具有良好的预测效能，能够为临床筛选并发抑郁症的高危ACI恢复期患者提供参考依据。

关键词

急性脑梗死 / 恢复期 / 抑郁症 / 影响因素 / 决策树 / 可视化模型