《Frontiers in Neurology》：Predicting intravenous thrombolysis outcomes in acute ischemic stroke using machine learning
编辑推荐：
目的：静脉溶栓仍是改善急性缺血性卒中(AIS)患者临床结局的基石干预措施。准确预测溶栓后不良功能结局对于优化个体化治疗及指导临床决策至关重要。本研究旨在开发基于机器学习的模型，用于AIS患者溶栓后早期预后再评估，从而为溶栓后早期预后再评估提供可靠工具。方法：回
目的：静脉溶栓仍是改善急性缺血性卒中(AIS)患者临床结局的基石干预措施。准确预测溶栓后不良功能结局对于优化个体化治疗及指导临床决策至关重要。本研究旨在开发基于机器学习的模型，用于AIS患者溶栓后早期预后再评估，从而为溶栓后早期预后再评估提供可靠工具。方法：回顾性纳入2024年11月至2025年11月期间接受静脉溶栓的383例AIS患者，按7:3比例随机分为训练集(n=268)与验证集(n=115)。初步进行单变量分析筛选与溶栓结局相关指标(p<0.05)，随后应用最小绝对收缩与选择算子(LASSO)回归进行特征选择。基于所选变量构建随机森林(RF)、梯度提升机(GBM)和支持向量机(SVM)三种机器学习模型，并以逻辑回归作为基准。采用受试者工作特征曲线下面积(AUC)、校准曲线和决策曲线分析评估模型性能，并利用SHapley Additive exPlanations(SHAP)值评估模型可解释性。结果：各组基线特征均衡(均p>0.05)。多变量逻辑回归确定较高入院美国国立卫生研究院卒中量表(NIHSS)评分、升高入院血糖、较高溶栓后24 h NIHSS评分、增大梗死核心体积、较高糖化血红蛋白(HbA1c)及升高中性粒细胞与淋巴细胞比值(NLR)为不良结局显著危险因素，而较大缺血半暗带体积为保护因素(p<0.05)。RF模型预测性能最优，训练集AUC达0.784，在校准及0.0–0.60风险阈值内临床净获益优于GBM与SVM。SHAP分析显示核心预测因子重要性排序。结论：所提预测模型在估计AIS患者溶栓后功能结局方面表现满意。识别出的核心变量可为临床预后及个体化溶栓策略设计提供有价值的见解。
研究背景与立项依据
急性缺血性卒中(AIS)是全球范围内高发脑血管疾病，具有高病死率与长期致残率。静脉溶栓作为AIS一线核心治疗，可溶解血栓、恢复脑灌注并显著改善功能结局。然而受年龄、卒中严重程度、合并症及病理生理状态个体差异影响，部分患者溶栓后仍出现功能依赖或症状性颅内出血等不良结局。传统预后预测依赖单变量分析或逻辑回归等常规统计方法，难以捕捉临床变量间复杂非线性关系，预测性能有限。近年机器学习算法凭借强大特征提取与模式识别能力，在AIS溶栓后结局预测中广泛应用。已有研究从生物标志物、影像创新、高龄亚群、炎性标志物等角度展开探索，但多聚焦单一维度。本研究整合常规临床、影像与检验指标，构建并比较RF、GBM、SVM模型，结合LASSO特征选择与SHAP可解释性分析，旨在为溶栓后早期预后再评估提供可靠工具。
主要关键技术方法
研究人员开展单中心回顾性队列研究，纳入2024年11月至2025年11月接受静脉溶栓的383例AIS患者，按7:3分为训练集(n=268)与验证集(n=115)。采用单变量分析初筛(p<0.05)，Pearson相关排除|r|>0.7冗余变量，LASSO回归(10折交叉验证，lambda.1se)选定核心预测因子；以多变量逻辑回归(逐步后退法)确认独立因素。基于同组变量训练RF(500树，网格搜分裂特征数)、GBM(学习率0.1、1000轮，搜树深与叶节点数)、SVM(RBF核，gamma=1/n_features，搜成本C)三类机器学习模型，逻辑回归作基准。超参数经训练集10折交叉验证优化，整个建模流程以不同随机种子重复5次取均值。性能以AUC、校准曲线、Hosmer-Lemeshow检验、决策曲线分析(DCA)及SHAP评估，Bootstrap 1000次内部验证校正过拟合。
研究结果
基线特征比较：训练集与验证集在年龄、性别、血压、BMI、NIHSS、血糖、影像体积、HbA1c、NLR等所有变量上无统计学差异(p>0.05)，两组均衡可比。
单变量分析：训练集内不良与良好结局组在入院NIHSS、入院血糖、溶栓后24 h NIHSS、梗死体积、缺血半暗带体积、HbA1c、NLR上差异显著(p<0.05)。
多变量逻辑回归：入院NIHSS(OR 1.11)、入院血糖(OR 1.372)、溶栓后24 h NIHSS(OR 1.18)、梗死体积(OR 1.043)、HbA1c(OR 1.389)、NLR(OR 1.346)为独立危险因素(p<0.05)；缺血半暗带体积(OR 0.963)为保护因素。
机器学习模型性能：训练集AUC为RF 0.784、GBM 0.730、SVM 0.738；验证集AUC为RF 0.704、GBM 0.673、SVM 0.684。RF灵敏度0.703、阴性预测值0.754最高，Brier 0.182最低。校准曲线RF最接近对角线，Hosmer-Lemeshow均p>0.05，RF平均绝对误差最小。DCA显示RF在0–0.6风险阈值内临床净获益优于其余模型及全治/全不治策略。
预测模型构建：RF的袋外误差快速下降并稳定于低位。SHAP重要性降序为入院血糖、入院NIHSS、NLR、梗死体积、溶栓后24 h NIHSS、缺血半暗带体积、HbA1c。
列线图构建：基于七变量构建列线图，各变量方差膨胀因子(VIF)均约1.0，多重共线性可忽略。示例患者总分313对应不良结局概率0.595，可供床旁快速量化评估。
讨论部分总结
研究人员指出，七项核心变量分别从神经缺损程度(NIHSS)、糖代谢紊乱(血糖、HbA1c)、早期神经改善(24 h NIHSS)、不可逆损伤范围(梗死体积)、炎症激活(NLR)及可挽救组织(缺血半暗带)机制层面影响溶栓预后。RF在处理非线性与抗过拟合上的优势使其判别、校准与临床净获益均优于GBM、SVM及逻辑回归，且高灵敏度与阴性预测值利于高危筛查。SHAP破除黑箱，列线图促成常规指标可视化落地。作者同时承认单中心回顾性、仅内部重复拆分验证、验证集AUC置信区间宽(0.573–0.835)、未纳入基因或新型血清标志物、随访限3个月、未行年龄/严重程度亚组、排除取栓患者等局限，未来需多中心前瞻外部验证并拓展影像组学等维度。
结论翻译
本对静脉溶栓AIS患者临床数据的回顾性分析识别出与治疗后3个月功能结局相关的7项核心变量。入院NIHSS评分、入院血糖、溶栓后24 h NIHSS评分、梗死体积、HbA1c及NLR被确定为不良溶栓结局的危险因素，而缺血半暗带体积为保护因素。基于这些核心变量的机器学习模型在预测溶栓结局中表现出满意的判别力、可靠性与临床效用。SHAP分析厘清核心变量重要性排序，所建列线图无显著多重共线性且稳定性良好，可实现量化风险评估。识别出的核心变量为临床早期识别高危不良结局患者提供参考，并支撑个体化治疗策略。受单中心回顾性设计及缺乏外部多中心验证限制，模型泛化性需进一步确认，后续须以多中心前瞻性研究验证完善。论文发表于《Frontiers in Neurology》。
