构建基于机器学习的脑卒中后失语症患者功能性语言沟通能力预测模型及评价OA

背景:大多数脑卒中后失语症患者发病1年后仍存在基础交流能力缺陷,亟需建立精准预后预测工具指导临床康复决策。目的:构建基于机器学习的脑卒中后失语症患者出院时语言功能预后预测模型,提升预测准确性。方法:研究数据源自福建中医药大学附属康复医院2022-07-01/2025-07-01年收治的245例脑卒中后失语症患者,以失语商变化量≥6分为结局指标。研究队列按7∶3的比例随机分为训练集(n=171)和测试集(n=74)。通过递归特征消除法筛选预测因子,采用6种机器学习算法(逻辑回归、随机森林、决策树、支持向量机、高斯朴素贝叶斯、极限梯度提升分类器)构建模型,使用自举法进行内部验证,通过受试者工作特征曲线、校准曲线及沙普利可加性特征解释方法(SHAP)分析评价模型效能。结果与结论:245例脑卒中后失语症患者的语言功能改善率为69.80%。年龄、女性、教育程度、命名性失语、非流畅性失语、完全性失语、基线中国功能性语言沟通能力测评总分等10项因素被选为预测因子。高斯朴素贝叶斯模型在测试集中表现最优:曲线下面积值为0.71,F1分数为0.83。校准曲线显示预测概率与实际发生率一致性良好(Brier得分=0.19),沙普利可加性特征解释方法分析显示命名性失语(0.24)、高龄(0.17)、女性(0.08)、基线中国功能性语言沟通能力测评总分(0.08)、非流畅性失语(0.07)为关键风险因素。结果表明,基于机器学习构建的高斯朴素贝叶斯预测模型可有效识别脑卒中后失语症患者出院时语言功能预后风险,为个体化康复干预提供决策支持。