机器学习模型在急性前循环大血管闭塞性缺血性卒中机械取栓术后预后预测中的应用
杨潇
刘松
国晶晶
田超
韩彤
靳松
300350 天津市环湖医院医学影像科
摘要：目的 基于真实世界临床数据,评估未加权机器学习模型对急性前循环大血管闭塞性缺血性卒中患者行机械取栓术后预后的预测效能,筛选最优模型,并评估类别加权策略与最优模型预测效能的差异.方法 纳入2023年5月至2024年9月在天津市环湖医院行血管内机械取栓术的191例急性前循环大血管闭塞性缺血性卒中患者,收集其临床资料如入院时美国国立卫生研究院卒中量表(NIHSS)评分.同时回顾分析入院时头部平扫CT、多时相CT血管成像(mCTA)和CT灌注成像(CTP)资料,采用mCTA评估侧支循环状态;采用Alberta脑卒中计划早期CT评分(ASPECTS)基于平扫CT评估大脑中动脉供血区早期缺血性改变;采用CTP评估脑灌注状态,获得Mismatch体积、Tmax>4 s体积、Tmax>6 s体积、Tmax>8 s体积、Tmax>10 s体积.以术后90d改良Rankin量表(mRS)评分作为预后评估指标(>2分为神经功能预后不良).采用最小绝对收缩和选择算子(LASSO)回归进行特征筛选,分别采用逻辑回归、随机森林、支持向量机、决策树、k近邻和极端梯度提升算法构建未加权预后预测模型.通过受试者工作特征曲线及曲线下面积(AUC)、校准曲线及Brier分数、决策曲线分析评估模型预测效能,筛选最优模型,采用Shapley加法解释对最优模型进行特征重要性分析;同时评估类别加权策略与该最优模型预测效能的差异.结果 通过十折交叉验证最小偏差准则确定LASSO回归最优λ值为0.064,筛选出4 个特征变量,即ASPECTS评分、Tmax>10 s体积、入院时NIHSS评分及侧支循环不良.采用分层抽样将所有患者按7∶3比例随机分配至训练集(133例)和测试集(58例),基于上述6种机器学习算法及4 个特征变量,建立未加权预测模型.在未加权模型中,除外过拟合的随机森林与极端梯度提升模型,Delong检验显示其余模型的AUC值两两比较差异无统计学意义(均P>0.05);但未加权支持向量机模型的Brier分数最低(0.16),提示其校准能力最强;在参考阈值概率15%～30%范围内,未加权支持向量机模型的决策曲线最高,提示具有最佳临床适用性.类别加权与未加权支持向量机模型的AUC值、灵敏度、特异度、准确率、阳性预测值和阴性预测值比较差异无统计学意义(均P>0.05);但与未加权支持向量机模型相比,类别加权支持向量机模型的Brier分数较高(0.17对0.16),提示其校准能力减弱.结论 在真实世界急性前循环大血管闭塞性缺血性卒中队列中,未加权支持向量机模型可以准确预测机械取栓术后神经功能不良结局,无需依赖类别加权,且该方法具有较高的临床转化潜力.
关键词：缺血性卒中血栓切除术机器学习支持向量机预后
论文发表日期：2025-08-25
在线出版日期：2025-09-22（本平台首次上网日期，不代表文献的发表时间）
页数：10( 761-770 )
英文信息