基于机器学习算法的维持性血液透析病人继发缺血性脑卒中预测及影响因素分析

摘要

目的：以不同机器学习算法对维持性血液透析（MHD）病人继发缺血性脑卒中进行预测并对相关因素进行分析。方法：采用回顾性病例对照研究，选取151例MHD病人为研究对象，根据病人是否发生缺血性脑卒中分为缺血性脑卒中组和非缺血性脑卒中组，采用单因素和logistic回归分析风险因素，基于随机森林（RF）、支持向量机（SVM）、K-最近邻（KNN）、逻辑回归（LR）4个机器学习模型，构建MHD病人继发缺血性脑卒中预测模型。采用准确率、敏感度、特异度、F1、ROC曲线下面积(AUC）评价模型稳健型及实用性。结果：23例（15.2%）MHD病人发生缺血性脑卒中，多因素logistic回归分析结果显示，年龄（OR=1.076,95%CI:1.004～1.153）、血液透析年限（OR=1.213,95%CI:1.008～1.458）、心房颤动病史（OR=14.016,95%CI:1.664～37.994）、吸烟史（OR=12.628,95%CI:2.015～79.142）、尿酸（OR=1.104,95%CI:1.037～1.175）、血清白蛋白（OR=0.781,95%CI:0.643～0.947）是MHD病人继发缺血性脑卒中的独立影响因素。ROC曲线分析显示，在4个模型中RF模型对MHD病人继发缺血性脑卒中的预测效果最好（AUC=0.932）。4种算法建立的MHD病人预测模型中，RF模型的综合预测效能最佳，准确率、敏感度、特异度、F1得分均最高。RF模型排名前6位特征中尿酸占比为最大（17.40%）、血清白蛋白（12.70%）、年龄（10.70%）、血液透析年限（9.90%）、吸烟史（9.30%）、心房颤动病史（6.60%）。结论：尿酸、血清白蛋白、年龄、血液透析年限、吸烟史、心房颤动病史是MHD病人继发缺血性脑卒中的独立影响因素。机器学习模型可以作为预测MHD病人继发缺血性脑卒中的可靠工具，其中RF模型具有最佳的预测性能，有助于临床医务人员识别高危病人并早期实施干预以降低发生率。

关键词

缺血性脑卒中 / 维持性血液透析 / 机器学习