基于机器学习的缺血性卒中功能预后预测模型研究

目的 建立基于机器学习的缺血性卒中功能预后预测模型,为患者分层管理提供科学依据.方法 选取中国国家卒中登记Ⅱ(China National Stoke RegistryⅡ,CNSRⅡ)数据库中发病7 d内的缺血性卒中患者为研究对象.logistic回归分析采用逐步回归方法筛选候选预测因子,机器学习采用Boruta算法筛选特征.使用logistic回归和CatBoost、XGBoost、LightGBM三种机器学习方法构建功能预后预测模型,并比较这四种预测模型对缺血性卒中患者3个月功能预后(mRS>2分为预后不良)的预测价值.结果 本研究共纳入14885例缺血性卒中患者,平均年龄64.34±11.71岁,其中男性占63.96％(9521/14885).患者按8:2随机分为训练集(11908例)和测试集(2977例),两组3个月功能预后不良率分别为17.36％和17.06％(P=0.7045).多因素分析结果显示年龄(OR 1.05,95％CI 1.04～1.05,P<0.0001)、男性(OR 0.77,95％CI 0.69～0.86,P<0.0001)、糖尿病(OR 1.16,95％CI 1.00～1.35,P=0.0497)、脑血管病史(OR 1.53,95％CI 1.37～1.70,P<0.0001)、合并肺炎(OR 2.45,95％CI 2.03～2.95,P<0.0001)、入院时NIHSS评分(OR 1.14,95％CI 1.13～1.15,P<0.0001)、发病前mRS(OR 3.11,95％CI 2.67～3.63,P<0.0001)、LDL-C(OR 1.07,95％CI 1.02～1.12,P=0.0057)、空腹血糖(OR 1.03,95％CI 1.01～1.06,P=0.0072)和白细胞计数(OR 1.07,95％CI 1.05～1.09,P<0.0001)可作为预测模型的预测因子.logistic回归、CatBoost、XGBoost、LightGBM预测模型预测缺血性卒中功能预后的AUC分别为0.815(0.801～0.829)、0.828(0.814～0.841)、0.826(0.812～0.839)和0.822(0.808～0.836).CatBoost(P=0.0023)和XGBoost(P=0.0182)建立的预测模型预测效果均优于传统logistic回归模型.结论 基于机器学习算法建立的缺血性卒中功能预后预测模型具有较高的预测价值.