机器学习预测脑卒中上肢运动功能结局:回顾性研究OA

目的:确定4种机器学习(Machine Learning,ML)模型预测脑卒中上肢运动功能恢复结局的准确性和适用性,并探讨与结局恢复相关预测变量的重要性。方法:纳入802例中国康复研究中心住院的脑卒中患者,以临床数据作为特征变量、上肢运动功能恢复情况作为结果变量构建预测模型。验证比较了K-近邻(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和极限梯度提升(eXtreme Gradient Boosting,XGBoost)四种模型的预测性能。结果:XGBoost相较于其他模型表现出最佳性能,其准确率最高,为82.59%,其次为RF、SVM、KNN,准确率分别为81.09%、72.64%、70.15%。XGBoost和RF预测脑卒中运动功能改善的重要特征为病程、年龄、入院时美国国立卫生研究院卒中量表(National Institute of Health Stroke Scale,NIHSS)评分、Fugl-Meyer评估量表上肢评分(Fugl-Meyer Assessment Upper Extremity,FMAUE)及Barthel指数(Barthel Index,BI)。结论:ML预测模型可准确预测脑卒中后上肢运动功能结局,XGBoost模型表现出最佳性能。XGBoost模型和RF模型共同确定,病程、年龄、入院时NIHSS、FMAUE及BI评分是影响脑卒中上肢运动功能恢复的重要因素。