《Frontiers in Neuroscience》:Development and validation of machine learning models for predicting functional outcome after low-dose alteplase in the extended time window for acute ischemic stroke
编辑推荐:
背景:本研究旨在开发机器学习(Machine Learning, ML)模型,用于预测发病4.5至9小时内接受0.6 mg/kg低剂量阿替普酶静脉溶栓治疗的急性缺血性卒中(Acute Ischemic Stroke, AIS)患者90天功能结局。方法:研究人员
背景:本研究旨在开发机器学习(Machine Learning, ML)模型,用于预测发病4.5至9小时内接受0.6 mg/kg低剂量阿替普酶静脉溶栓治疗的急性缺血性卒中(Acute Ischemic Stroke, AIS)患者90天功能结局。方法:研究人员对2019年8月1日至2023年8月31日期间接受溶栓治疗的AIS患者进行了回顾性分析。符合条件的患者按7:3的比例随机分为训练集和验证集。90天良好功能预后定义为改良Rankin量表评分(modified Rankin Scale score, mRS)≤2。采用最小绝对收缩和选择算子(Least Absolute Shrinkage and Selection Operator, LASSO)回归筛选最优特征。运用五种ML算法构建预测模型。通过受试者工作特征(Receiver Operating Characteristic, ROC)曲线、曲线下面积(Area Under The Curve, AUC)值、决策曲线分析(Decision Curve Analysis, DCA)和校准曲线评估模型性能。应用SHapley Additive exPlanations(SHAP)图对模型预测结果进行解释。结果:共202例患者被随机分为训练集(n = 142)和验证集(n = 60)。训练集和验证集的90天不良功能预后发生率分别为56.34%和56.67%。随机森林(Random Forest, RF)模型表现出最佳的区分能力,在验证集中的AUC最高,为0.854。关键预测特征包括年龄、基线收缩压、白细胞计数、基线美国国立卫生研究院卒中量表(National Institutes of Health Stroke Scale, NIHSS)评分、醒后卒中(Wake-up Stroke, WUS)、缺血半暗带与梗死核心的绝对体积差、颅内出血(Intracranial Hemorrhage, ICH)、出血转化分类(European Cooperative Acute Stroke Study, ECASS-2)及肺炎发生情况。结论:基于RF的ML模型通过识别高不良功能结局风险患者,展示了其在静脉溶栓后风险分层中的临床应用价值。
该研究针对急性缺血性卒中(AIS)扩展时间窗内低剂量阿替普酶治疗后的功能结局预测问题,开发了基于机器学习(ML)的解释性模型,相关成果发表于《Frontiers in Neuroscience》。研究背景源于缺血性卒中作为致残和致死的主要原因,现行指南推荐发病4.5小时内为标准静脉溶栓(IVT)时间窗,导致大量超窗或起病时间不明的患者无法获益。尽管EXTEND等试验证实,基于CT灌注(CTP)或MRI筛选的4.5-9小时时间窗患者可从IVT中获益,但亚洲人群使用标准剂量阿替普酶出血风险较高,低剂量(0.6 mg/kg)方案更为常用。然而,延迟溶栓伴随更高的症状性颅内出血(sICH)风险和临床异质性,使得精准预后预测成为临床迫切需求。传统统计方法难以处理复杂的非线性医学数据,因此研究人员旨在通过回顾性队列研究,结合影像组学与临床数据,构建并验证预测模型。
为实现上述目标,研究人员采用了多项关键技术方法。研究纳入2019年8月至2023年8月期间苏州大学附属医院急诊绿色通道收治的202例接受低剂量阿替普酶治疗的AIS患者,按7:3比例随机划分为训练集与验证集。数据采集涵盖人口统计学、血管危险因素、基线临床特征(如NIHSS评分)、实验室指标、影像学参数(包括Alberta卒中项目早期CT评分ASPECTS、梗死核心体积、缺血半暗带体积及不匹配体积)以及安全性结局(如ECASS-2出血转化分类、肺炎)。特征筛选采用LASSO回归以解决多重共线性和过拟合问题。模型构建选用逻辑回归、RF、XGBoost、SVM和LightGBM五种算法,通过10折交叉验证网格搜索优化超参数。模型性能评估主要依据ROC曲线及AUC值,辅以DCA曲线和校准曲线,并利用SHAP方法对最优模型进行全局与局部解释。
研究结果部分详细阐述了模型构建与验证的全过程。在“人口统计学与临床特征”方面,研究共纳入202例患者,中位年龄68岁,36.1%接受了桥接机械取栓。训练集与验证集的不良预后(mRS > 2)比例分别为56.34%和56.67%,两组基线均衡。通过“单因素与多因素逻辑回归分析”,LASSO回归最终筛选出年龄、基线收缩压、白细胞计数、入院NIHSS评分、醒后卒中、不匹配体积、任何颅内出血、ECASS-2分类及肺炎这九个独立危险因素进入模型。“模型开发与性能比较”结果显示,五种ML模型中,RF模型在验证集中表现最佳,AUC达到0.854(95% CI 0.748–0.960),准确度为0.783,F1分数为0.806,显著优于其他模型。校准曲线显示RF模型预测值与实际值高度一致(Brier score=0.160),DCA曲线表明当RF模型预测高风险阈值在10%-70%时,早期干预可提供15%-25%的净获益。“模型解释”部分通过SHAP分析揭示了各特征的贡献度。全局解释显示入院NIHSS评分和缺血半暗带体积对模型输出影响最大;依赖图分析表明,当入院NIHSS≥15、年龄≥64岁、白细胞计数≥7.8×109/L、收缩压≥160 mmHg或缺血半暗带体积≥80 mL时,模型倾向于预测不良预后。局部解释通过SHAP力图展示了具体病例中各特征如何共同决定个体预测概率。
在讨论与结论部分,研究人员指出,该研究首次针对扩展时间窗内接受低剂量阿替普酶治疗的AIS患者构建了多模态CT引导的ML预测模型。与既往主要关注4.5小时时间窗内的研究相比,该研究填补了真实世界超窗患者预后预测的证据空白。RF模型凭借其优越的非线性处理能力,成功整合了临床变量与CTP影像参数,实现了高精度预测。特别是醒后卒中的纳入以及肺炎作为重要预测因子的发现,强调了综合评估发病时间不确定性和早期并发症管理的重要性。尽管研究存在单中心回顾性设计和样本量有限的局限性,缺乏外部验证,但其构建的可解释性RF模型仍具有重要的临床转化潜力。研究结论强调,该模型可用于识别高风险的不良功能结局患者,辅助临床医生进行风险分层,指导早期干预和个体化康复策略的制定,但最终临床应用仍需多中心前瞻性研究进一步验证。