基于概率集成学习的机械取栓预后预测：NVQI-QOD注册研究的创新模型与临床转化价值

本研究针对急性缺血性卒中机械取栓(MT)预后存在高度不确定性的临床难题，创新性地采用概率神经网络(PNN)和XGBoost集成学习方法，利用NVQI-QOD注册系统中术前(Group Preop)、术后(Group Postop)和出院时(Group DC)三组特征变量，成功预测NIHSS变化值(?NIHSS)和90天改良Rankin量表(mRS)功能结局。模型准确率达0.69-0.80，首次实现个体化预后概率分布预测，为临床决策提供量化依据。

　　

急性缺血性卒中(Acute Ischemic Stroke, AIS)作为全球致残致死的主要原因，其治疗时间窗内的机械取栓(Mechanical Thrombectomy, MT)虽已被多项里程碑式临床试验证实有效，但个体患者的预后仍存在显著差异。临床常用的美国国立卫生研究院卒中量表(National Institutes of Health Stroke Scale, NIHSS)和改良Rankin量表(Modified Rankin Scale, mRS)虽能评估神经功能缺损程度，但传统确定性预测模型仅能提供单一数值结果，无法量化个体预后不确定性这一临床核心痛点。

针对这一挑战，研究人员基于神经血管质量倡议-质量结局数据库(NeuroVascular Quality Initiative-Quality Outcomes Database, NVQI-QOD)注册系统，开展了一项开创性研究。通过纳入2014-2021年间5686例患者的375项临床变量，创新性地构建概率神经网络(Probabilistic Neural Networks, PNN)与XGBoost集成模型，首次实现MT术后神经功能改善(?NIHSS)和90天功能独立性(mRS 0-2)的概率分布预测。该研究发表于《Journal of Stroke and Cerebrovascular Diseases》，为临床医患沟通提供了量化工具。

研究采用三大关键技术：1) 基于NVQI-QOD数据库构建术前、术后和出院三阶段特征变量组(50-87个变量)；2) 开发具有正态分布输出层的PNN进行?NIHSS概率回归，以及伯努利分布输出层的PNN进行mRS二分类；3) 应用自助聚合(Bagging)集成10个基模型提升预测稳健性。

研究结果揭示：

1. ?NIHSS回归：PNN能输出均值±2SD的预测区间，Group Preop预测RMSE为6.68，Group Postop降至4.34。特征重要性分析显示基线NIHSS、术前mRS和年龄最具预测价值。

2. mRS分类：模型准确率随数据丰富度提升，从Group Preop的0.69增至Group DC的0.80。值得注意的是，即使预后最差患者仍有50%改善概率，而最佳预后组改善概率>98%。

3. 案例验证：44岁无合并症患者改善概率达99%，与实际出院NIHSS=1相符；90岁多病共存患者虽改善概率90%，但功能独立概率仅33%，凸显概率预测的临床价值。

讨论部分强调，该研究突破传统确定性模型的局限，首次实现：1) 个体化预后概率可视化，如图2展示?NIHSS预测区间随临床信息增加而收窄；2) 量化特征重要性，证实基线NIHSS、mRS和年龄的核心预测作用；3) 验证MT安全性——无预测恶化亚组存在。研究局限性包括ASPECTS等关键变量因缺失值较多未纳入，以及需前瞻性多中心验证。

这项研究开创性地将概率机器学习引入脑血管介入领域，其临床转化价值体现在：1) 将群体统计数据升级为个体概率预测；2) 通过不确定性量化改善医患沟通；3) 为精准医疗时代下的卒中治疗决策提供新范式。未来可扩展至取栓技术比较、成本效益分析等方向，推动循证医学与人工智能的深度融合。