基于机器学习的两阶段静脉溶栓风险分层模型在急性缺血性脑卒中(AIS)中的应用：多中心数据建模研究

本研究针对急性缺血性脑卒中(AIS)患者静脉溶栓(IVT)后早期出血转化(HT)和院内死亡(IM)风险预测的临床难题，开发了一种基于机器学习的两阶段风险分层模型。研究人员通过整合多中心电子健康记录数据，采用5种算法分别构建了溶栓前预测和溶栓后动态监测模型，外部验证队列AUC达0.69-0.88。该研究为临床决策提供了精准化工具，显著提升了AIS管理的个体化水平。

　　

脑卒中作为全球致残率最高的血管性疾病，每年导致数百万人死亡或残疾。其中急性缺血性脑卒中(AIS)占比高达60%-80%，静脉溶栓(IVT)虽是恢复血流的关键手段，却面临"时间窗"和"出血风险"的双重困境。传统评分系统如HAT、SITS-ICH等存在预测精度不足(仅12.3%-29.5%准确率)和泛化性差的问题，临床亟需能动态评估溶栓前后风险的智能工具。

某三甲医院联合多中心的研究团队在《International Journal of Medical Informatics》发表创新成果，通过机器学习技术构建了两阶段风险预测模型。研究纳入2001-2022年间的临床数据，提取48个与溶栓相关的特征，按时间节点划分为溶栓前、后两组。采用随机森林、XGBoost等5种算法分别训练HT和IM预测模型，并在1777例外部患者中验证。关键技术包括：多中心数据标准化处理、时序特征工程构建、机器学习模型优化及SHAP值可解释性分析。

研究结果显示：

1. 第一阶段模型：随机森林预测HT的AUC达0.73(外部验证0.69)，XGBoost预测IM的AUC为0.78(外部验证0.81)
2. 第二阶段模型：XGBoost表现最优，HT预测AUC提升至0.83(外部0.75)，IM预测AUC高达0.91(外部0.88)
3. 特征重要性：基线血糖、中性粒细胞/淋巴细胞比值(NLR)、抗血小板药物使用等被识别为关键风险因子

讨论部分指出，该模型突破传统评分三大局限：

1. 实现溶栓前风险评估与溶栓后动态监测的闭环管理
2. 通过SHAP值解析使"黑箱"模型具备临床可解释性
3. 多中心验证证实其泛化能力，尤其对IM预测精度显著优于现有工具

Zhu Shudan等研究者强调，该成果首次将时序机器学习应用于AIS溶栓全程风险管理，为临床医生提供了"决策-修正"的双重保障。未来通过嵌入式系统开发，有望将模型整合至急诊流程，缩短"入院-溶栓"时间窗，预计可使AIS患者不良结局发生率降低15%-20%。研究也存在样本偏倚等局限，需进一步扩大人群验证。这项创新标志着人工智能在脑血管病精准医疗领域迈出关键一步。