编辑推荐：
为解决急性前循环缺血性脑卒中患者步态恢复预测难题，研究人员开展基于机器学习技术的预测模型研究。他们收集患者多方面特征，运用 LASSO 回归等方法筛选变量，构建 COX 回归和随机生存森林（RSF）模型。结果显示 RSF 模型预测性能更优，为临床决策提供可靠工具。
在健康的道路上，脑卒中是一座横亘在人们面前的大山。缺血性脑卒中在全球范围内有着较高的发病风险，是导致成年人残疾的重要原因之一。许多脑卒中患者会出现长期且严重的步态障碍，这不仅影响他们的日常活动能力，降低生活质量，还对其长期生存状况产生不利影响。准确地在早期预测脑卒中患者的步态恢复情况，对于制定个性化的康复治疗方案、合理分配康复资源至关重要。然而，以往的研究在这方面存在不足，传统的 COX 回归模型依赖线性假设，难以准确捕捉复杂的非线性关系，导致预测精度受限。因此，开展新的研究来建立更有效的预测模型迫在眉睫。
上海交通大学医学院附属同仁医院神经内科以及同济大学附属第十人民医院神经内科等机构的研究人员，针对这一问题展开了深入研究。他们的研究成果发表在《Journal of NeuroEngineering and Rehabilitation》上，为脑卒中患者的康复治疗带来了新的希望。
研究人员为了建立更精准的预测模型，采用了多种关键技术方法。首先，他们收集了 2023 年 5 月至 11 月期间在上海第十人民医院住院的 237 例急性前循环缺血性脑卒中患者的资料。这些患者被随机分为训练集和验证集，比例为 7:3 。研究人员全面收集了患者的人口统计学特征、临床特征、梗死区域特征以及磁共振成像（MRI）特征等 31 个变量。然后，运用 Pearson 或 Spearman 相关分析评估特征之间的相互关系，利用最小绝对收缩和选择算子（LASSO）回归筛选预测变量，同时通过方差膨胀因子（VIF）检验特征间的相关性，有效避免了多重共线性问题。最后，分别使用 COX 回归和随机生存森林（RSF）方法构建预测模型，并运用 Harrell’s C-index 和时间依赖性受试者工作特征曲线下面积（tdAUC）评估模型性能，借助 SHapley Additive exPlanations（SHAP）方法解释 RSF 模型。
研究结果主要包含以下几个方面：
- 基线特征：研究共纳入 237 例患者，其中男性 166 例，女性 71 例，平均年龄为 66.92±9.65 岁 。患者在高血压、糖尿病等病史方面存在一定比例，训练集和验证集在基线特征上无显著差异。
- 特征选择：通过 LASSO 回归，确定了 10 个预测变量，包括年龄、性别、脑室周围白质高信号（PVWMH）、蒙特利尔认知评估（MoCA）、美国国立卫生研究院卒中量表（NIHSS）、基底节区扩大的血管周围间隙（BG-EPVS）、腔隙、顶叶梗死、基底节梗死和计时起立 - 行走测试（TUG）评分，且这些变量之间不存在多重共线性。
- 模型开发与性能比较：COX 回归和 RSF 模型均用于预测步态恢复。参数调整发现，RSF 模型在约 300 棵树时误差率较低且趋于稳定。模型性能评估显示，RSF 模型在训练集和验证集上的 C-index 值均高于 COX 回归模型，tdAUC 值也更优。校准图表明，RSF 模型对 90 天和 180 天步态恢复结果的预测与实际情况具有高度一致性。基于 RSF 模型的风险指数，将患者分为低风险和高风险组，Kaplan-Meier 曲线显示该模型能有效预测患者 90 天和 180 天的步态恢复情况。
- 模型解释：利用 SHAP 方法对 RSF 模型进行解释，发现 TUG 和 BG-EPVS 是影响步态恢复的最重要独立风险因素。部分依赖生存曲线（PDP）从全局角度展示了模型，如 TUG、MoCA 和 BG-EPVS 等变量的轻微变化会显著影响预测结果。针对个体患者的 SurvLIME 图突出了影响患者步态恢复的关键变量，并对比了 RSF 模型与其他模型的预测结果。通过 SHAP 值对模型变量进行排序，进一步明确了各变量对步态恢复结果的贡献程度。
研究结论和讨论部分指出，RSF 模型在预测急性前循环缺血性脑卒中患者的步态恢复方面，性能优于传统的 COX 回归模型。该模型能够有效识别步态恢复预后较差的患者，为个性化康复干预提供指导，有助于优化医疗资源在脑卒中康复中的分配。影响步态恢复的关键因素，如 TUG、BG-EPVS、MoCA、年龄和 PVWMH 等，在临床实践中应予以重点关注。不过，该研究也存在一定局限性，如研究对象主要为偏瘫程度较轻的患者，样本量相对较小且为单中心研究，未来需要更大规模、多中心的研究来进一步验证这些结果。总体而言，这项研究为脑卒中患者的康复治疗提供了重要的参考依据，推动了脑卒中康复领域的发展，有望改善患者的康复效果和生活质量。
