基于机器学习的5种急性缺血性脑卒中患者就医延迟风险预测模型的构建与比较
于传山1
左霞2
倪婷婷1
刘星宇3
于海龙4
顾志娥5
1.225000 扬州,江苏省苏北人民医院急诊室;225000 扬州大学护理学院·公共卫生学院2.225000 扬州,江苏省苏北人民医院急诊室3.225000 扬州大学护理学院·公共卫生学院4.225000 扬州,江苏省苏北人民医院神经内科5.225000 扬州,江苏省苏北人民医院教育培训处;225000 扬州大学护理学院·公共卫生学院
摘要：目的 构建和比较5种基于机器学习方法的急性缺血性脑卒中(AIS)患者就医延迟风险预测模型,为临床早期识别高风险患者提供支持.方法 采用便利抽样法,选取2023年11月—2024年3月在江苏省苏北人民医院急诊就诊的380例AIS患者为研究对象,采用分层抽样法按7∶3随机分为训练集(n=266)和验证集(n=114);另选2024年4-6月至江苏省苏北人民医院急诊就诊的120例AIS患者为测试集.采用均值法与随机插补法填补缺失值,采用单因素分析探讨AIS患者延迟就医的影响因素,采用最小绝对收缩与选择算子(LASSO)回归分析方法进行特征选择.采用线性函数归一化方法处理数据不平衡,构建逻辑回归、随机森林、梯度提升树、引导聚集算法(Bagging)和极限梯度提升(XGBoost)5种机器学习模型.通过绘制热力图分析变量间相关性,基于受试者工作特征曲线下面积(AUC)、准确度、敏感度、特异度、F1分值及决策曲线评估模型性能,并对最优模型绘制变量特征重要性图.结果 训练集单因素和LASSO回归分析共识别出16个风险因素,热力图结果显示各变量间相关性普遍较弱且未呈现显著的多重共线性特征.5种机器学习模型的AUC值为0.825～0.945,敏感度为0.810～0.967,特异度为0.842～0.991,准确度为0.765～0.959,F1分值为0.785～0.964.其中XGBoost模型为最佳模型,验证集和测试集的AUC值分别为0.946和0.931,决策曲线也显示其在多数阈值区间内具有更高的临床净获益,表现出良好的稳定性.特征重要性排名前10名的风险因素依次为脑卒中院前延迟意向测评量表得分、发病时身边是否有他人、卒中认知水平、院内绿色通道畅通情况、转运方式、发病时间、患者是否知晓用脑卒中快速识别法(BEFAST)识别卒中、是否经历转院转诊、家庭人均月收入和家属是否知晓用BEFAST识别卒中.结论 5种机器学习算法中XGBoost模型具有最佳预测性能,有助于医务人员早期识别就医延迟高风险患者,为制定精准干预策略提供科学依据.
关键词：急性缺血性脑卒中就医延迟风险因素机器学习预测模型
论文发表日期：2026-03-20
在线出版日期：2026-03-31（本平台首次上网日期，不代表文献的发表时间）
页数：13( 165-177 )
英文信息