卒中康复中的领域特异性功能性结局预测：一项多中心人工智能研究

《International Journal of Medical Informatics》：Domain-specific functional outcome prediction in stroke rehabilitation: A multicenter artificial intelligence study

　　

背景：卒中（stroke）是全球范围内导致长期残疾的主要原因，然而现有的临床决策支持工具依赖于整体残疾指标，如改良Rankin量表（modified Rankin Scale, mRS），这些指标未能充分反映以患者为中心的康复或恢复目标。目的：研究人员旨在开发、验证并实施基于人工智能（artificial intelligence, AI）的临床支持模型，用于预测卒中后多个康复机构和时间点下的领域特异性（domain-specific）功能性结局。方法：研究人员利用来自韩国四个康复机构（2017–2024年）的前瞻性和回顾性多中心数据。针对三个功能领域——步行功能（ambulation）、认知功能（cognitive function）和日常生活活动能力（activities of daily living, ADLs）——开发了预后模型，并涵盖两种时间场景：急性期至亚急性期（acute-to-subacute）和急性期至早期慢性期（acute-to-early-chronic）预测。应用了基于对齐的正则化（alignment-based regularization）以提升跨机构泛化能力。结果：所提出的框架在内部验证中取得了强劲的预测性能（步行功能AUROC最高达0.897，认知功能达0.864），并在外部验证中表现出良好的性能，AUROC最高达0.924（ADLs）和0.892（认知功能），尽管各机构在队列规模和变量可用性上存在差异。所实现的基于网络的临床决策支持系统能够提供个性化的恢复轨迹实时预测，并配有直观的可视化设计，以支持医患沟通。结论：研究人员的发现表明，基于AI的模型在领域特异性卒中预后预测方面具有可行性，并呈现了一个原型实施，展示了所提出框架在异质性机构设置中的潜在临床适用性。使用常规收集的临床变量以及初步的跨机构验证结果，支持在真实世界康复实践中进行进一步研究，但尚需前瞻性临床评估。

**论文解读：卒中康复中的领域特异性功能性结局预测——一项多中心人工智能研究**

**研究背景与问题**
卒中（stroke）是全球致残率最高的疾病之一，约三分之二的幸存者面临长期功能损害。现有临床决策支持工具多依赖整体残疾指标，如改良Rankin量表（modified Rankin Scale, mRS），该量表虽简单直观，但无法区分步行、认知和日常生活活动等具体功能域的损伤，限制了临床实用性。此外，mRS存在观察者间变异大、需标准化培训等问题。因此，开发能够同时预测多个功能域结局的模型，对制定个性化康复方案具有重要临床意义。

**研究目的与意义**
本研究旨在利用常规临床数据，开发并验证基于人工智能（artificial intelligence, AI）的多领域、多时间点卒中预后预测模型，并构建原型web平台以支持临床决策。研究发表于《International Journal of Medical Informatics》，其成果有助于弥补现有模型在域特异性预后预测方面的空白，为跨机构康复实践提供可推广的工具。

**关键技术与方法**（不超过250字）
研究人员从韩国四家康复机构（A、B、C、D医院，包括大学附属综合医院和康复专科医院）收集2017–2024年前瞻性和回顾性队列数据。共纳入31个人口学与疾病共享变量，以及针对步行、认知、ADLs三个功能域的特异性变量（如FAC、BBS、K-MMSE、FMA等）。采用10种机器学习模型（包括Logistic回归、SVM、随机森林、XGBoost、LightGBM、CatBoost、MLP、FT-Transformer、ExcelFormer等），并引入基于对齐的正则化（intraclass soft-distance minimization）以提升跨机构泛化性。内部验证采用5折交叉验证（A、B医院数据），外部验证在C、D医院独立评估。缺失值采用中位数或额外类别填补，类别不平衡通过样本权重调整。SHAP（Shapley Additive exPlanations）用于解释模型。

**研究结果**
**3.1 内部验证性能**
通过5折交叉验证，FT-Transformer在步行功能预测中表现最优：急性期至亚急性期AUROC达0.899（正则化后0.897），急性期至早期慢性期AUROC达0.861。认知功能预测中，ExcelFormer在急性期至亚急性期AUROC达0.864（正则化后），MLP在急性期至早期慢性期AUROC达0.815。ADLs预测中，FT-Transformer在急性期至亚急性期AUROC达0.851，ExcelFormer在急性期至早期慢性期AUROC达0.830。总体而言，预测时间跨度越短，性能越高；正则化在长时预测场景中提升更显著。

**3.2 外部验证性能**
在未参与训练的D医院外部验证中，正则化模型在所有功能域均取得更高AUROC：步行功能急性期至亚急性期0.870、急性期至早期慢性期0.892；认知功能分别为0.870和0.742；ADLs在急性期至亚急性期达0.924。与无正则化模型相比，认知功能在3个月预测中AUROC显著提升（ΔAUROC +0.078，95% CI不包括0）。C医院因样本量极小（N=7），结果仅作为初步参考。

**3.3 模型可解释性与特征重要性**
SHAP分析显示，步行功能预测中，既往FAC评分和BBS是首要特征；认知功能预测中，既往K-MMSE评分主导；ADLs预测中，BBS和患侧上肢FMA总分（AFMAU）最关键。Beeswarm图表明，基线功能水平高（如高FAC、高K-MMSE）与有利恢复正相关，而急性期住院时间长、高血压病史等则与不良恢复相关。Waterfall图揭示了个体化预测机制：错误预测常发生在基线功能保留但恢复不佳的患者，提示其他限制因素未被捕获。

**讨论与结论**
讨论部分指出，模型性能在短时预测中更优，符合临床直觉；认知功能预测难度较高，可能与中间类别（K-MMSE 18–23）界定模糊及样本量小有关。正则化有效提升了跨机构泛化性，但高缺失率变量（如FMA、BBS）可能影响预测稳健性，尤其在ADLs任务中。原型web平台已实现，可直观展示3个月和6个月的预测结局，支持医患沟通。研究局限性包括：仅韩国机构、样本量有限、未纳入常规实验室指标或生物标志物、未与mRS模型直接比较。未来需前瞻性多中心验证，并优化中间认知类别的预测。

**结论部分翻译**（原文5. Conclusion）
研究人员的发现表明，基于AI的预测模型对于卒中康复患者可用的常规临床数据，在步行功能、认知功能和日常生活活动能力方面具有初步的临床可行性，但在常规临床实施前仍需进一步的前瞻性评估。为促进真实世界临床应用，这些模型被集成到一个原型web平台中，该平台可可视化个体化恢复轨迹，并支持临床医生与患者之间的预后互动沟通。未来需要更大规模、前瞻性、多机构的队列研究来验证研究结果的泛化性，并优化AI驱动预测系统在真实康复实践中的整合，最终支持个性化且透明的卒中护理。