编辑推荐：
为解决中风早期筛查难题及城乡预测差异问题，上海中医药大学研究人员开展相关研究，构建预测模型，发现城乡关键预测因素差异，为针对性防控提供依据。
中风防控新难题：城乡差异待解
中风，这个健康的 “冷面杀手”，在中国乃至全球都肆意横行。2020 年，中国中风的加权患病率和死亡率触目惊心，分别达到 2.6% 和 343.4/10 万人年，估计有 1780 万患者和 230 万人因此离世。近年来，它更是荣登中国死因榜首，占全球中风死亡人数近三分之一。随着中国老龄化加剧，预计到 2035 年，60 岁以上老人占比超 30%，中风的发病和死亡人数将持续攀升，防控形势愈发严峻。
虽说中国已制定中风防控计划，但早期筛查困难重重。患者方面，症状识别不足、意识不清、听力障碍和知识匮乏，导致无法准确评估中风风险；医生也面临误诊、设备和人员短缺的困境。而且，城乡在中风院前延误、筛查诊断和后续治疗上差异巨大，这些都给中风防控增加了难度。传统研究聚焦于用机器学习提升中风预测，但大多忽视了体检指标（如身体功能）的作用，也未深入探究城乡预测差异。因此，开展一项全面的研究迫在眉睫。
上海中医药大学破局：开启中风预测新征程
上海中医药大学的研究人员勇挑重担，决心攻克这一难题。他们利用中国健康与养老追踪调查（CHARLS）2011 年的全国代表性队列数据，对 9413 名 45 岁及以上参与者进行深入分析。研究人员采用 9 种机器学习算法，包括逻辑回归（LR）、自适应增强分类器（AdaBoost）、支持向量机（SVM）等，构建了中风预测模型，并对城乡亚组展开分析，试图找出隐藏在数据背后的城乡差异密码。
研究方法：多管齐下，精准剖析
研究数据来源广泛，涵盖自我报告数据、体检测量数据（包含身体功能变量）和血液生物标志物数据。为确保数据质量，研究人员对缺失值进行了处理，利用 R 4.1.3 软件和 mice 包中的随机森林法，对缺失值小于 30% 的变量进行插补。之后，他们将数据集按 80%-20% 的比例划分为训练集和测试集，并采用过采样技术解决数据不平衡问题。在模型构建阶段，使用 Python 3.8.12 结合多种机器学习算法构建中风风险预测模型，通过五折交叉验证和贝叶斯优化寻找最佳超参数，最终用受试者工作特征曲线下面积（AUC）评估模型性能。
研究结果：城乡差异显著，预测各有侧重
- 预测模型性能：在总人群中，高斯朴素贝叶斯（GNB）算法表现最佳，AUC 达到 0.76；农村亚组中，LR 和 GNB 表现最优，AUC 均为 0.76；城市亚组里，LR 拔得头筹，AUC 为 0.67。这表明机器学习算法在预测中风风险上有一定可行性，且在农村亚组的预测准确性更高。
- 重要预测因素：总人群中，重复坐立试验时间、椅子高度、膝关节高度等十个因素对中风预测至关重要；农村亚组里，重复坐立试验时间、肌酐（CRE）、血小板（PLT）等因素作用突出；城市亚组则更依赖重复坐立试验时间、平均红细胞体积（MCV）、半串联平衡保持能力等因素。研究还发现，重复坐立试验时间对农村人群中风风险模型影响更大，而尿酸（UA）和半串联平衡保持能力对城市人群更为关键11。
研究结论与意义：精准防控的曙光
这项研究成果意义非凡。它首次利用机器学习算法，针对中国城乡人群构建中风预测模型，为中风防控开辟了新思路。研究揭示了身体功能指标（如平衡能力和握力）以及膝关节高度对中风预测的重要性，这是以往研究未曾关注到的。
而且，研究明确了城乡中风预测关键因素的差异。农村地区可针对性开展下肢力量和耐力训练，城市地区则应注重平衡和上肢力量锻炼，同时都要重视健康睡眠习惯的培养。这些发现为制定个性化、精准化的中风防控策略提供了科学依据，有望大幅提升中风防控效果，减轻社会和家庭的负担。不过，研究也存在局限性，如使用横断面数据无法确定因果关系、未涵盖所有可能因素等。但这并不影响其为后续研究指明方向，相信在科研人员的持续努力下，中风防控将迎来新的突破。
