基于可解释机器学习算法构建缺血性脑卒中患者神经功能预后不良的风险预测模型OA

目的基于机器学习算法构建缺血性脑卒中(IS)患者神经功能预后不良的风险预测模型,筛选性能最优的机器学习模型并进行解释。方法本研究为回顾性队列研究。选取2021—2025年在温州市中西医结合医院住院治疗的377例IS患者作为研究对象。收集患者的临床资料。将377例患者按照7∶3比例划分为训练集(263例)和验证集(114例)。根据发病后3个月改良Rankin量表(mRS)评分将训练集患者分为预后不良组52例(神经功能预后不良,mRS评分>2分)和预后良好组211例(神经功能预后良好,mRS评分≤2分)。在训练集中进行LASSO回归分析以筛选IS患者神经功能预后不良的特征变量,基于上述特征变量分别在训练集中构建IS患者神经功能预后不良的风险预测Logistic回归(LR)、随机森林(RF)、极端梯度提升(XGBoost)、支持向量机(SVM)模型;然后在验证集中采用ROC曲线、校准曲线、决策曲线评估各机器学习模型的性能,以筛选最优机器学习模型。采用SHapley加性解释(SHAP)方法对最优机器学习模型的预测逻辑进行解释。结果LASSO回归分析结果显示,通过10折交叉验证确定最优正则化参数λ,共筛选出13个特征变量,依次为美国国立卫生研究院卒中量表(NIHSS)评分、超敏C反应蛋白(hs-CRP)、梗死灶最大径、心脏代谢指数(CMI)、年龄、Hcy、空腹血糖(FPG)、LDL-C、大面积梗死、血管内治疗、TOAST分型、HbA1c、静脉溶栓治疗。基于上述变量分别构建IS患者神经功能预后不良的风险预测LR、RF、XGBoost、SVM模型,结果显示:在验证集中,XGBoost模型的AUC(0.904)、准确率(88.6%)、灵敏度(83.3%)、F1分数(0.769)最高,Brier分数最低(0.092);当阈值概率为60%~70%时,XGBoost模型在验证集中的净获益率均高于LR、RF、SVM模型;综合评价,XGBoost模型为最优机器学习模型。SHAP分析结果显示,NIHSS评分、CMI、年龄、FPG、大面积梗死对IS患者神经功能预后不良的影响较大。结论本研究分别构建了IS患者神经功能预后不良的风险预测LR、RF、XGBoost、SVM模型,其中XGBoost模型为最优机器学习模型;在XGBoost模型中,NIHSS评分、CMI、年龄、FPG、大面积梗死对IS患者神经功能预后不良的影响较大。