急性缺血性脑卒中静脉溶栓后出血转化的预测模型构建与验证：一项基于多因素回顾性分析的研究

本研究针对急性缺血性脑卒中(AIS)患者静脉溶栓(IVT)后出血转化(HT)这一临床难题，通过回顾性分析159例患者数据，利用Boruta算法和多元逻辑回归筛选出高密度大脑中动脉征(HMCAS)、溶栓前血糖(Glu)和中性粒细胞计数(NEU)三大独立预测因子，构建了区分度优异(AUC=0.885)的列线图模型。该研究为临床早期识别HT高风险患者提供了可视化工具，对优化溶栓决策具有重要价值。

　　

研究背景
在全球范围内，脑卒中高居致死致残原因第二位，其中急性缺血性脑卒中(AIS)占主要类型。静脉溶栓(IVT)虽是AIS的标准疗法，但约17.6%患者会出现出血转化(HT)这一致命并发症。目前临床面临两大痛点：一是现有HT预测模型在亚洲人群中准确性有限，二是缺乏便捷的临床决策工具。湖北第三人民医院联合江汉大学医学院的研究团队试图破解这一难题，其成果发表于《BMC Medical Informatics and Decision Making》。

关键技术方法
研究纳入2019-2022年接受rt-PA静脉溶栓的159例AIS患者，通过Boruta算法从25个临床变量中筛选特征因子，采用多元逻辑回归构建模型。关键技术包括：①基于CT的HMCAS评估（由两名放射科医师盲法判读）；②溶栓前血生化检测（含NEU、Glu等）；③500次Bootstrap重采样内部验证；④Shiny平台开发动态列线图工具。

研究结果
基本特征
队列中HT发生率为17.6%（28/159），其中症状性HT占5.7%。单因素分析显示SBP、NIHSS评分、NEU、NLR、Glu等9个变量与HT显著相关（P<0.05）。TOAST分型中心源性栓塞(CE)亚组的HT发生率更高（14.3% vs 7.6%, P<0.05）。

特征筛选
Boruta算法确定HMCAS、NLR、NEU等8个核心变量，经VIF检验后最终保留HMCAS（OR=15.70-1137.53）、NEU（OR=5.443）和Glu三个独立预测因子。

模型性能

列线图模型AUC达0.885（95%CI:0.816-0.953），校准曲线显示预测与实际概率高度吻合。决策曲线分析(DCA)证实当阈值概率为0.025-0.97时，模型净收益优于全干预或全不干预策略。

临床转化
HT患者7天NIHSS评分显著更高（4.1±10.11 vs 2.15±3.76）。研究者开发的在线预测工具（https://htnomo.shinyapps.io/dynnomapp/）可实现实时风险评估。

结论与意义
该研究首次整合影像学标志物(HMCAS)、炎症指标(NEU)和代谢参数(Glu)，构建了适用于亚洲人群的HT预测模型。其创新性体现在：①采用Boruta算法克服传统统计方法的多重共线性问题；②通过动态列线图实现临床便捷应用；③揭示中性粒细胞介导的炎症反应可能是HT的关键机制。局限性包括单中心回顾性设计、未细分梗死部位等。未来需通过多中心前瞻性研究进一步验证，并探索将梗死区域纳入模型的优化策略。