基于机器学习的急性缺血性脑卒中患者卒中后焦虑预测模型构建OA

目的构建并验证基于机器学习(ML)的急性缺血性脑卒中(AIS)患者卒中后焦虑(PSA)预测模型,为PSA的早期风险分层与干预提供工具。方法回顾性纳入2023-01—2025-09安徽中医药大学第七附属医院的AIS患者187例。根据卒中后3个月汉密尔顿焦虑量表评分将患者分为PSA组57例与非PSA组130例。收集人口学特征、卒中严重程度、实验室指标、心理社会量表及治疗因素等候选预测变量。采用LASSO回归筛选特征后,分别构建正则化Logistic回归(LR)、随机森林(RF)、XGBoost和LightGBM模型。通过受试者工作特征曲线下面积(AUC)、灵敏度、特异度、F1分数、Brier分数评估模型区分度与校准度,并采用决策曲线分析(DCA)评估临床实用性。结果本组患者PSA发生率30.48%。LASSO回归筛选出10个关键预测因素,包括入院NIHSS评分、出院改良Rankin量表评分、既往焦虑史、女性、匹兹堡睡眠质量指数总分、医院焦虑抑郁量表-焦虑维度总分、中性粒细胞-淋巴细胞比值、左额-皮质下病灶、糖尿病和社会支持评定量表总分。在所有模型中,LightGBM模型表现最佳,其测试集AUC为0.866(95%CI:0.853~0.893),灵敏度0.781,特异度0.796,F1分数0.62,Brier分数0.133,校准良好。DCA曲线显示,LightGBM模型在0.10~0.50的阈值概率范围内具有稳定的临床净获益。结论基于LightGBM机器学习算法构建的PSA预测模型展现出优异的预测性能与临床实用价值,有助于识别AIS后PSA高危患者,为实现早期精准干预提供了数据支持。