《Frontiers in Neurology》：Machine learning-based models to predict 90-day non-excellent functional outcomes among patients with mild acute ischemic stroke after intravenous thrombolysis
编辑推荐：
中文翻译（摘要部分）
背景： 尽管接受了静脉溶栓（IVT）治疗，仍有相当比例的轻度急性缺血性卒中（AIS）患者未能获得优良的功能结局。专门针对这类患者的预测模型仍然有限。研究人员旨在构建并评估一种机器学习模型，用于识别90天非优良功能结局。
方法： 研究人员回
中文翻译（摘要部分）
背景： 尽管接受了静脉溶栓（IVT）治疗，仍有相当比例的轻度急性缺血性卒中（AIS）患者未能获得优良的功能结局。专门针对这类患者的预测模型仍然有限。研究人员旨在构建并评估一种机器学习模型，用于识别90天非优良功能结局。
方法： 研究人员回顾性收集了2024年1月至2025年6月期间在天津市第四中心医院接受静脉溶栓治疗的轻度急性缺血性卒中患者的数据。从电子病历中提取了人口统计学、临床、实验室和神经影像学变量。采用最小绝对收缩和选择算子（LASSO）回归进行特征选择，随后开发了七种机器学习模型。模型的性能通过区分度、校准度、临床效用和分类指标进行评估。研究人员进行了SHapley加性解释（SHAP）分析，以阐明各个预测因子对模型预测的相对重要性和关联方向。
结果： 共纳入507例接受静脉溶栓治疗的轻度急性缺血性卒中患者，其中136例（26.8%）在90天时出现了非优良功能结局。LASSO回归确定了六个预测因子，包括年龄、基线美国国立卫生研究院卒中量表（NIHSS）评分、血小板计数、单核细胞计数、血糖水平和中性粒细胞与淋巴细胞比值（NLR）。在验证队列中，极端梯度提升（XGBoost）模型达到了最高的数值曲线下面积（AUC）0.753（95%置信区间，0.660–0.840），并表现出充分的校准度和临床实用性。
结论： 研究人员开发并内部验证了一种机器学习模型，用于预测轻度急性缺血性卒中患者静脉溶栓后90天非优良功能结局。XGBoost模型显示出良好的预测性能和早期风险分层的潜在应用价值。
论文解读文章
一、研究背景与问题
急性缺血性卒中（AIS）是全球致死和致残的主要病因之一。全球疾病负担研究（GBD 2021）估计，卒中每年新发病例约1190万例，位居全球第二大死亡原因和第三大伤残调整生命年（DALYs）来源。静脉溶栓（IVT）是AIS的关键再灌注治疗方法之一，已被证实能改善功能结局。轻度神经功能缺损（定义为美国国立卫生研究院卒中量表（NIHSS）评分≤5）约占AIS患者的50%。然而，即使及时接受IVT，仍有约20%至35%的轻度AIS患者未能在90天达到优良功能状态（改良Rankin量表（mRS）评分为0–1）。即使对于轻度卒中患者，未能获得优良功能结局也可能影响功能独立性和健康相关生活质量，因此需要早期识别恢复不良风险增加的患者。
目前存在的主要问题包括：第一，多数已有研究纳入的是不同严重程度的异质性卒中人群，其研究结果难以推广至轻度AIS患者；第二，许多现有模型纳入了院内变量或治疗后实验室参数，这些变量虽然可能提高预测性能，但限制了模型在静脉溶栓前进行风险分层的使用价值；第三，多数既往研究将不良结局（mRS≥3）或早期神经功能恶化（END）作为主要终点，但对于轻度AIS患者，即使90天mRS评分为2也可能存在功能独立性受损、工作能力下降和持续康复需求。因此，未能达到优良功能结局（90天mRS评分≥2）可能是一个更具临床意义的终点指标。
二、研究设计与主要结论
研究人员开展了一项单中心回顾性研究，纳入2024年1月至2025年6月在天津市第四中心医院接受静脉溶栓治疗的轻度AIS患者。共筛选531例患者，排除24例后最终纳入507例，其中136例（26.8%）在90天出现非优良功能结局。研究人员收集了溶栓前的临床特征和常规实验室参数，构建并验证了基于机器学习的预测模型，以评估90天非优良功能结局的风险。研究结果表明，XGBoost模型在区分度、校准度和临床效用方面均表现良好，并通过SHAP分析增强了模型的可解释性。该模型可在入院时和溶栓治疗前进行风险评估，有助于早期识别恢复不良风险较高的患者，为强化临床监测、优化住院管理和早期康复评估提供支持。
三、关键技术方法
研究人员使用的主要技术方法包括：从医院电子病历系统回顾性提取人口统计学、临床、实验室和神经影像学数据；使用R语言caret包的createDataPartition函数按结局变量进行分层随机抽样，将数据集按70:30比例分为训练队列（356例）和内部验证队列（151例）；在训练队列中使用最小绝对收缩和选择算子（LASSO）逻辑回归进行特征选择，采用10折交叉验证确定最优惩罚参数λ，以λ1se准则（λ.1se=0.0481301）保留非零系数预测因子；基于筛选出的六个预测因子开发了七种机器学习模型，包括逻辑回归（LR）、决策树（DT）、随机森林（RF）、极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）、支持向量机（SVM）和人工神经网络（ANN）；采用网格搜索结合分层五折交叉验证进行超参数优化；使用受试者工作特征曲线下面积（AUC）、准确率、灵敏度、特异度、F1分数、阳性预测值（PPV）和阴性预测值（NPV）评估模型区分度和分类性能，使用校准曲线和Brier评分评估校准度，使用决策曲线分析（DCA）评估临床效用；采用SHapley加性解释（SHAP）方法对最优模型进行可解释性分析。
四、研究结果
患者特征： 在纳入的507例患者中，136例（26.8%）在90天出现非优良功能结局。与优良结局组相比，非优良结局组患者年龄更大，基线NIHSS评分、收缩压和舒张压、白细胞计数、单核细胞计数、中性粒细胞计数、血糖水平和中性粒细胞与淋巴细胞比值（NLR）更高，而淋巴细胞计数较低。心房颤动患病率和TOAST病因亚型分布也存在显著差异。
LASSO变量筛选： 所有候选变量均纳入LASSO回归分析，采用一标准误准则确定最优惩罚参数λ.1se=0.0481301，最终筛选出六个预测因子：年龄、基线NIHSS评分、血小板计数、单核细胞计数、血糖水平和NLR。
多模型综合分类分析： 基于六个筛选出的预测因子开发了七种机器学习模型。在验证队列中，决策树模型的区分能力最低（AUC=0.614），其余模型AUC均高于0.73。XGBoost模型AUC最高，为0.753（95% CI，0.660–0.840），其次为SVM（0.750）、LR（0.747）、LightGBM（0.746）、ANN（0.745）和RF（0.735）。XGBoost模型的Brier评分为0.165，校准度良好。决策曲线分析显示所有模型在一定阈值概率范围内均能提供临床净获益。综合评估后，XGBoost模型因数值上最高的AUC以及可比的校准度和临床效用被选为最优模型。
模型解释： SHAP分析显示，基线NIHSS评分、血糖水平、年龄、血小板计数、NLR和单核细胞计数是预测90天非优良功能结局的主要贡献因子。其中基线NIHSS评分重要性最高，其次是血糖水平、年龄、血小板计数、NLR和单核细胞计数。SHAP依赖图显示，基线NIHSS评分、血糖水平、年龄、血小板计数、NLR和单核细胞计数的较高值通常与更正的SHAP值相关，表明这些预测因子值越高，模型预测的非优良功能结局概率越高。
五、讨论与结论
在讨论部分，研究人员指出基线NIHSS评分在轻度AIS患者中仍具有预后价值，较高的基线NIHSS评分可能反映更严重的初始神经功能缺损、更大的梗死负担或更复杂的病理生理状态。溶栓前血糖水平是重要的预测因子，高血糖可能通过氧化应激、炎症反应、乳酸积累和血脑屏障破坏等机制加重缺血再灌注损伤，并增加症状性颅内出血风险。年龄增长与神经可塑性降低、侧支循环能力下降和合并症负担增加相关。血小板计数升高可能反映促血栓形成和促炎状态，通过血小板-白细胞聚集和微血管血栓形成影响再灌注。NLR升高反映先天免疫过度激活和适应性免疫调节受损，中性粒细胞释放的活性氧、基质金属蛋白酶-9（MMP-9）和中性粒细胞胞外诱捕网（NETs）可破坏血脑屏障并促进微血管血栓形成。单核细胞在缺血后迁移至脑组织并分化为巨噬细胞，释放促炎细胞因子，加重继发性脑损伤。
研究人员承认本研究存在局限性：回顾性单中心设计可能引入选择偏倚；模型仅进行了内部验证，未进行独立外部验证；性能估计基于单次70:30分层分割，可能对特定随机划分敏感；XGBoost模型灵敏度相对适中（0.525），作为独立筛查工具可能受限；替奈普酶治疗患者数量有限，无法可靠评估溶栓药物类型对功能结局的影响。
结论： 总而言之，研究人员构建并内部验证了一种基于机器学习的预测模型，用于预测接受静脉溶栓的轻度急性缺血性卒中患者90天非优良功能结局。在所有测试的算法中，XGBoost模型表现出良好的预测能力，并有望作为早期风险分层的辅助工具。
