编辑推荐：
卒中是全球致死、致残的主要病因之一，其患者营养管理备受关注。研究人员基于 MIMIC-IV 数据库，以 81 例接受肠内营养的卒中患者为对象开展研究。结果发现患者 30 天、1 年、3 年生存率不同，还明确了影响生存的因素。这为个性化营养策略提供依据。
在全球范围内，卒中就像一个可怕的 “健康杀手”，严重威胁着人们的生命与健康。据统计，2019 年全球约有 1280 万新发卒中病例，致使约 620 万人死亡。在中国，2018 年卒中的年龄标准化发病率为每 10 万人中有 246.8 例，死亡率为每 10 万人中有 149.5 例 。面对如此严峻的形势，提高卒中患者的生存率和生活质量成为了医学领域亟待攻克的难题。
肠内营养作为为无法经口进食患者提供营养支持的重要手段，在卒中患者的治疗中占据着关键地位。它能直接将营养液通过鼻胃管或胃造瘘管输送到胃肠道，分为标准和特殊配方两种。早期且适宜的肠内营养不仅能改善患者营养状况，还能促进胃肠功能恢复、减少并发症并缩短住院时间 。然而，不同类型肠内营养对卒中患者长期预后的影响，在学术界却一直争论不休。现有的研究大多聚焦于短期结局和住院期间并发症，对长期生存率缺乏系统评估，而且样本量普遍较小，难以进行亚组分析和探究潜在的相互作用。
为了打破这一困境，来自深圳大学第一附属医院（深圳市人民医院）康复医学科等机构的研究人员挺身而出，开展了一项极具意义的研究。他们的研究成果发表在《BMC Neurology》杂志上。
研究人员从庞大的 MIMIC-IV 数据库中精心筛选出 81 例接受肠内营养的卒中患者，这些患者涵盖了缺血性卒中、出血性卒中以及蛛网膜下腔出血等多种类型。在研究过程中，他们运用了多种先进技术方法。首先，对收集到的原始数据进行了严谨的预处理，包括用中位数填充缺失值、使用 StandardScaler 方法标准化连续变量等，以此确保数据的完整性和有效性。接着，构建并评估了多种模型，如用于预测 30 天、1 年和 3 年死亡率的 Logistic 回归、随机森林分类器和 XGBoost 分类器，以及用于分析生存时间的 XGBoost Cox 比例风险模型。同时，通过 Kaplan-Meier 生存曲线和 Log-rank 检验进行组生存分析，利用 XGBoost 模型进行特征重要性分析，全方位、多角度地探究影响卒中患者生存的因素。
在患者特征方面，这 81 例患者的平均年龄为 70.58±13.46 岁，女性占 51.9%（42 人），男性占 48.1%（39 人） 。患者合并症较多，平均 Charlson 合并症指数为 7.04±2.82，而且体重差异较大，平均体重 65.43±39.12 kg 。此外，高脂血症、高血压、糖尿病的发病率分别为 58.0%（47 例）、24.7%（20 例）、56.8%（46 例），营养不良的患病率更是高达 86.4%（70 例） 。
在生存分析结果中，研究人员发现，患者的 30 天生存率为 66.67%，这意味着在最初的 30 天内，有 27 名患者不幸离世；1 年生存率降至 45.68%，累计死亡 44 人；3 年生存率为 43.21%，总死亡人数达到 46 人 。从时间上看，30 天内死亡率最高，随后逐渐降低，这表明早期干预和治疗对改善患者预后至关重要。通过 Kaplan-Meier 生存分析发现，低风险组患者在前 600 天的生存概率相对稳定，之后才逐渐下降；而高风险组患者在 400 天左右生存概率迅速下降，且明显低于低风险组，两组差异具有统计学意义（p=0.0229） 。
在死亡率预测方面，不同机器学习模型表现各异。Logistic 回归模型在预测 30 天死亡率时表现中等，1 年和 3 年死亡率预测表现较弱；随机森林模型和 XGBoost 模型在短期死亡率预测方面表现较好，但 XGBoost 模型在长期死亡率预测上存在一定局限性。
通过 XGBoost Cox 回归模型预测生存时间，其一致性指数（C-index）达到 0.80，显示出良好的预测性能。在比较不同营养类型对患者生存时间的影响时，发现标准营养组和特殊营养组的生存曲线相似，但标准营养组模型的预测能力更突出，不过两组对患者生存概率的影响并无统计学差异（p=0.6543） 。
在特征重要性分析中，XGBoost 模型显示，Charlson 合并症指数（CCI）是预测生存时间最重要的因素，F 分数高达 12.0 。此外，最低血糖值、年龄和院内死亡率标记等因素也对生存时间有重要影响。
综合上述研究结果，研究人员得出结论：早期干预和营养管理对改善卒中患者的预后起着关键作用。Charlson 合并症指数、年龄和院内死亡率标记是卒中患者生存的主要预测因素。这一研究为卒中患者的营养管理提供了新的视角和依据，强调了个性化营养策略的必要性。不过，由于研究设计和样本量的限制，后续还需要大规模的前瞻性研究来进一步验证这些发现。
这项研究意义重大，它创新性地将机器学习技术与传统生存分析方法相结合，精准识别出影响卒中患者长期生存率的关键因素，并构建了预测模型，为临床医生制定个性化营养计划提供了有力支持。研究结果还提示，应根据患者的年龄、合并症和营养状况调整营养计划，这为制定更精确的临床指南奠定了基础。未来，相关研究可以进一步探索营养干预对卒中患者认知功能恢复和生活质量的影响，研发更全面的预后评估工具，推动卒中患者营养支持领域的发展，最终改善患者的生活质量，减轻社会和家庭的疾病负担。
