《Frontiers in Neurology》：A machine learning model for predicting cognitive improvement after scalp cluster needling therapy in patients with post-stroke mild cognitive impairment
编辑推荐：
背景：脑卒中后轻度认知障碍（post-stroke mild cognitive impairment, PSCI-MCI）患者认知恢复差异较大，而预测治疗后认知改善的个体化模型仍有限。本研究旨在开发并内部验证一种机器学习模型，用于预测PSCI-MCI患者接受
背景：脑卒中后轻度认知障碍（post-stroke mild cognitive impairment, PSCI-MCI）患者认知恢复差异较大，而预测治疗后认知改善的个体化模型仍有限。本研究旨在开发并内部验证一种机器学习模型，用于预测PSCI-MCI患者接受1个月头皮丛针久留针疗法（scalp cluster needling therapy with prolonged needle retention, SCNT-PR）后的认知改善。方法：本回顾性研究纳入2010年1月1日至2023年1月1日期间住院并诊断为PSCI-MCI的患者。基线数据包括人口学资料、血管危险因素、卒中严重程度、影像学特征、认知与功能评估、情绪与睡眠相关指标、治疗相关变量及实验室检查结果。结局定义为治疗后校正蒙特利尔认知评估（Montreal Cognitive Assessment, MoCA）评分较基线增加至少2分。采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归和Boruta算法识别关键预测因子。应用7种监督机器学习算法开发治疗前预测模型。从区分度、校准和临床效用评估模型性能，并使用Shapley Additive Explanations（SHAP）解释模型。结果：共纳入750例患者，随机分配至训练集（n=526）和验证集（n=224）。通过LASSO回归与Boruta算法交集识别出7个关键预测因子。在评估的模型中，LightGBM（Light Gradient Boosting Machine）表现出可接受的性能，受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）为0.759。校准曲线和决策曲线分析提示可接受的校准和有利的临床效用。SHAP分析识别出基线校正MoCA评分、受教育年限、美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）总分、日常生活活动能力Barthel指数（Barthel Index score for activities of daily living, ADL）评分、年龄、额叶病变和糖尿病为模型预测的主要贡献因素。敏感性分析在替代结局定义和预测因子配置下显示一致的预测因子模式。结论：研究人员开发并内部验证了一种基于多维治疗前临床数据的机器学习模型，用于预测PSCI-MCI患者接受SCNT-PR后的认知改善。该模型可能为患者分层和个体化临床评估提供初步支持，但在临床实施前需要在独立队列中进行外部验证。
脑卒中是全球死亡和残疾的主要原因之一。急性卒中管理进步使生存率明显提高，但长期功能损害仍是临床难题。其中，卒中后认知障碍（post-stroke cognitive impairment, PSCI）影响功能恢复、生活质量和长期预后。PSCI-MCI是PSCI的重要亚型，虽未达到痴呆诊断阈值，但表现为记忆、注意、执行功能或信息处理下降，并具有进一步进展风险。因此，早期识别和干预PSCI-MCI具有临床重要性。头皮丛针久留针疗法（SCNT-PR）作为一种传统中医针灸干预，在卒中后功能障碍尤其是认知障碍中受到关注。既往研究提示，SCNT-PR可能通过调节脑活动、促进神经可塑性和易化脑网络重组改善认知。然而，临床中患者对同一治疗反应存在明显异质性，提示治疗后认知改善可能受多种基线因素影响。现有机器学习研究多预测PSCI发生或进展，而非预测特定康复干预后的个体化认知改善。一项系统综述和meta分析总结了21项机器学习PSCI预测研究，但专门预测PSCI-MCI患者接受头皮丛针治疗后认知改善的模型仍较少。传统统计方法处理高维数据、复杂非线性和变量交互存在局限，而机器学习在多变量整合、特征选择和个体化风险预测方面具有优势。临床挑战在于PSCI-MCI患者对同一方案反应不一致，临床医生缺乏实用的治疗前工具识别更可能获得有意义认知改善者，这可能限制个体化治疗规划、康复资源配置和治疗策略优化。因此，开发基于常规基线临床数据的预测模型可能有助于满足这一未满足的临床需求。
研究人员开展了单中心回顾性研究，纳入河南中医药大学第二附属医院2010年1月1日至2023年1月1日住院的PSCI-MCI患者，最终750例进入分析。结局为1个月SCNT-PR后校正MoCA评分较基线增加至少2分。研究人员通过特征选择识别关键基线预测因子，并开发、内部验证治疗前预测模型。研究得出，LightGBM模型在验证集中区分度最佳，AUC为0.759，校准可接受，决策曲线分析显示有利临床净获益。最终识别7个稳定且具临床可解释性的关键预测因子：基线校正MoCA评分、受教育年限、NIHSS总分、ADL评分、年龄、额叶病变和糖尿病。该研究的意义在于，模型可能为早期估计SCNT-PR后认知改善可能性、患者分层和个体化临床评估提供支持，但临床实施前仍需外部验证。
关键技术方法概括：研究队列来自河南中医药大学第二附属医院2010年1月1日至2023年1月1日住院PSCI-MCI患者。研究人员收集69个治疗前变量，按7:3随机分为训练集和验证集。在训练集中采用LASSO回归和Boruta算法筛选特征并取交集。构建7种监督机器学习模型，包括逻辑回归（logistic regression, LR）、随机森林（random forest, RF）、支持向量机（support vector machine, SVM）、人工神经网络（artificial neural network, ANN）、决策树（decision tree, DT）、LightGBM和极端梯度提升（extreme gradient boosting, XGBoost），以网格搜索结合五折交叉验证调参。评估区分度、校准和临床效用，计算AUC和精确率-召回率曲线下面积（precision-recall area under the curve, PR-AUC），绘制校准曲线和决策曲线分析（decision curve analysis, DCA），并用SHAP解释最优模型。还进行替代结局定义和预测因子配置的敏感性分析。
研究结果如下。3.1 基线特征：通过组间比较，943例初筛患者中750例纳入，212例无改善，538例改善。与无改善组相比，改善组额叶病变和基线康复比例更高，糖尿病和脑萎缩比例更低；改善组年龄更大、受教育年限更多、ADL评分更高、基线校正MoCA评分更低、既往卒中次数更多；NIHSS总分也在两组间存在显著差异。其余基线变量无显著差异。3.2 模型开发：通过训练集中的LASSO回归和Boruta算法进行特征选择。LASSO回归识别出8个非零系数候选预测因子，Boruta算法识别出7个潜在重要预测因子，二者交集为7个共同预测因子，包括额叶病变、糖尿病、年龄、受教育年限、NIHSS总分、ADL评分和基线校正MoCA评分。3.3 模型性能、区分度、校准与临床效用：通过验证集比较7种模型，所有模型均显示一定预测能力。LightGBM区分度最佳，AUC为0.759（95% CI：0.693–0.820），并具有最高PR-AUC。LR和SVM表现相近，AUC分别为0.749和0.748；RF、XGBoost和ANN的AUC分别为0.744、0.744和0.741；DT最差，AUC为0.638。校准方面，RF的Brier评分最低，为0.171，XGBoost为0.172，SVM为0.174，LR为0.175，LightGBM为0.186，DT最高为0.199。DCA显示各模型较“全部治疗”和“不治疗”策略提供不同程度净获益，LightGBM在临床相关阈值范围内显示有利净获益。综合AUC、校准和DCA，研究人员选择LightGBM作为SHAP解释的主要模型。混淆矩阵显示模型识别改善者的能力强于识别无改善者，与高灵敏度、相对低特异度一致。阈值优化显示提高阈值可改善特异度但降低灵敏度。3.4 模型解释：通过SHAP对LightGBM进行解释，主要贡献因素与交集预测因子一致，即基线校正MoCA评分、受教育年限、NIHSS总分、ADL评分、年龄、额叶病变和糖尿病。SHAP依赖图提示部分变量对模型输出的影响呈非线性，蜂群图显示特征效应的方向、大小和分布。总体上，基线认知状态、认知储备、卒中严重程度、功能状态、病变部位和代谢危险因素共同影响PSCI-MCI患者SCNT-PR后认知改善概率。个体水平瀑布图显示不同特征对预测的累积贡献，部分变量驱动预测向改善，部分向无改善。使用更严格结局定义的敏感性分析中，XGBoost的SHAP分析识别基线校正MoCA评分、ADL评分、受教育年限、额叶病变和NIHSS总分为主要贡献因素，特征重要性模式与主分析基本一致。3.5 敏感性分析：通过替代结局定义和预测因子配置评估稳健性。当采用更严格结局定义，即校正MoCA增加≥4分时，LightGBM模型预测性能较主分析下降，AUC约为0.66，校准也较差。去除基线校正MoCA评分后，在保留原结局定义（MoCA≥2分）时，模型性能仅有有限变化，提示预测能力并非仅由基线认知损害严重程度驱动。以MoCA≥4分为敏感性结局的多变量logistic回归显示，基线校正MoCA评分、受教育年限、ADL评分、NIHSS总分和额叶病变仍为显著预测因子，方向与主分析一致。
讨论部分总结：研究人员开发并内部验证了基于多维治疗前临床数据的机器学习模型，用于预测PSCI-MCI患者1个月SCNT-PR后认知改善。LightGBM在验证集中区分度最佳，校准可接受，临床净获益有利。通过LASSO回归、Boruta算法和SHAP解释，最终识别7个稳定且可解释的关键预测因子，提示SCNT-PR后认知改善与基线认知状态、认知储备、卒中严重程度、功能状态、病变特征和血管代谢因素共同贡献相关。机器学习在本研究中的目的不是替代传统统计方法或发现新的预测因子，而是评估非线性建模策略能否捕捉多维临床特征间的复杂关系和潜在交互。LightGBM相对LR的优势较小，提示其附加价值主要在于灵活整合和解释多个临床特征，而非仅显著提高区分度。该模型AUC低于部分既往PSCI预测模型，但既往研究多预测PSCI发生而非干预后认知改善；预测治疗相关认知改善更困难，可能受治疗反应异质性、自发神经恢复、重复认知评估效应、同期康复和患者特异性因素影响。模型特异度和阴性预测值有限，应作为辅助决策支持工具，而非单独排除不太可能改善患者的工具。类别不平衡可能影响分类特征，PR-AUC作为补充指标，LightGBM仍最高。基线MoCA因结局定义可能存在数学耦合和回归均值影响，但去除后模型性能相对稳定。SHAP显示，较高受教育年限和ADL评分通常与正向贡献相关，糖尿病显示相对负向贡献；额叶病变和较老年龄在本队列中对模型预测显示正向贡献，但应解释为模型衍生关联而非因果效应。各预测因子讨论涵盖：MoCA反映基线认知状态和改善潜力；受教育年限代表认知储备；NIHSS总分反映神经功能缺损严重程度；ADL评分反映功能独立和恢复潜力；年龄反映总体风险背景；额叶参与执行功能、注意控制、计划、行为调节和工作记忆；糖尿病作为代谢血管危险因素可能通过小血管病、炎症、氧化应激和脑灌注障碍影响认知恢复。局限性包括：单中心回顾性完整病例设计，可能降低代表性；13年研究期可能存在时间异质性；治疗师层面信息缺失；未进行基于bootstrap的稳定性分析；结局为1个月校正MoCA变化，限制长期轨迹评估；康复强度和社会支持等未捕获；模型尚未作为临床工具实施。未来需前瞻性多中心研究、时间验证、外部验证和标准化数据收集。
研究结论翻译：总之，本研究开发的基于LightGBM的模型在预测PSCI-MCI患者接受1个月SCNT-PR后认知改善方面表现出可接受的预测性能。基线校正MoCA评分、受教育年限、NIHSS总分、ADL评分、年龄、额叶病变和糖尿病被确定为最重要的预测特征。该模型可能有助于早期估计SCNT-PR后认知改善的可能性，并为PSCI-MCI的个体化临床评估和患者分层提供支持。未来需要前瞻性多中心研究进一步验证所提出模型的临床适用性和泛化性。
