《Frontiers in Neurology》：Development and validation of multiple machine learning models for identifying factors associated with walking ability in ischemic stroke patients: a single-center retrospective study with SHAP approach
编辑推荐：
目的：本研究旨在开发并验证整合炎症生物标志物与临床指标的机器学习（ML）模型，以识别缺血性卒中（IS）患者步行能力相关因素。核心研究问题为哪种ML模型对IS患者步态损害具有最优判别性能，以及该人群步行能力的关键决定因素为何。方法：本回顾性队列研究纳入1650例
目的：本研究旨在开发并验证整合炎症生物标志物与临床指标的机器学习（ML）模型，以识别缺血性卒中（IS）患者步行能力相关因素。核心研究问题为哪种ML模型对IS患者步态损害具有最优判别性能，以及该人群步行能力的关键决定因素为何。方法：本回顾性队列研究纳入1650例IS患者，按7∶3随机分为训练集与验证集，收集临床、实验室及影像变量；采用最小绝对收缩与选择算子（LASSO）回归、Boruta算法及logistic回归进行特征选择，构建6种ML模型，并对最优模型施以SHAP分析。结果：筛选出5个显著因素——中性粒细胞-淋巴细胞比值（NLR）、年龄、性别、枕叶及额叶病灶；随机森林（RF）最优，训练集AUC 0.868、测试集AUC 0.681，SHAP分析将NLR列为首要贡献因子。结论：ML模型作为IS患者步态损害早期风险分层的筛查工具具备初步应用前景。
研究背景与立项依据
全球范围内，卒中居成人死因第二位、致残首位，2021年患病数达9380万例，其中缺血性卒中（IS）占65.3%。超60%存活者遗留不同程度偏瘫，步态损害是最常见且致残的运动缺陷之一，限制转移与上下楼梯等日常活动，增加跌倒及关节挛缩、肌萎缩等继发并发症风险，至2050年全球卒中经济负担预计超1.8万亿。恢复步行能力是卒中康复核心目标，但现有研究多聚焦整体卒中风险评估，对域特异性缺陷（如步行能力）与炎症标志物的关系界定不清。梗死后炎症通过破坏血脑屏障、加重水肿与神经元损伤影响功能预后，血常规衍生的NLR、SII、SIRI等虽被证关联功能结局，但是否预测步行能力未知。为此，研究人员在襄阳中心医院康复科开展单中心回顾性研究，融合病灶定位、炎症标志物与临床特征，构建可解释的ML风险分层工具。
发表与意义
该文发表于《Frontiers in Neurology》，首次系统探讨血常规衍生炎症标志物与IS后步态损害的关联，并为早期个性化筛查提供基于RF与SHAP的初步模型。
主要技术方法（≤250字）
研究人员回顾性收录2021年1月至2024年12月襄阳中心医院康复科IS患者1650例，按7∶3分训练集1155例与测试集495例。采集人口学、病史、颅CT病灶定位（两位神经放射医师盲法评估，Cohen's κ=0.68）、入院24–48 h空腹血常规衍生炎症指标（NLR、MLR、SII、SIRI）。步行能力以功能性步行分级（FAC）评估，终点为FAC≤2（需体力辅助）。特征选择采用LASSO回归、Boruta算法与多变量logistic回归三级共识交集；构建LR、RF、XGBoost、DT、SVM、KNN六模型，以AUC、准确率、校准Brier评分及决策曲线分析（DCA）评价，对最优RF施以SHAP值与交互分析。全程测试集不参与选择与调参。
研究结果
3.1 患者特征：1650例中男1129例，均龄63.83±12.31岁，步态损害1258例（76.2%），训练/测试集基线均衡（P>0.05）。损害组年龄更大、DBP更低、NLR/MLR/SII/SIRI更高，额叶、枕叶、基底节病灶分布差异显著。
3.2 特征选择：LASSO初选7项，Boruta确认6项入logistic回归，最终共识5项独立因素——额叶病灶（OR 1.527）、枕叶病灶（OR 1.966）、性别（男OR 1.389）、年龄（OR 1.041/岁）、NLR（OR 1.249），MLR未达显著（P=0.103）。
3.3 模型评价：RF训练集AUC 0.868（95%CI 0.849–0.888）最高；测试集XGBoost AUC 0.685与RF 0.681居前但置信区间重叠，RF凭敏感度0.7575、准确率0.6970、F1 0.7875综合平衡被选优选，但训练→测试AUC衰减提示过拟合。RF测试集Brier 0.1469，校准尚可偏乐观；NLR单标记训练集AUC 0.851，加他标记无显著提升（DeLong P=0.32）。
3.4 变量重要性：SHAP表明年龄与NLR为最主要正向驱动，枕叶、额叶中度，性别较弱；年高、NLR高、枕叶病灶推高损害概率。性别×NLR交互显示男性高NLR时SHAP贡献大于同水平女性，年龄×NLR及额×枕病灶存协同趋势。
讨论浓缩
研究人员强调SHAP仅揭示关联非因果。NLR高反映中性粒毛细血管淤塞、基质金属蛋白酶释放及卒中后淋巴减少免疫抑制，与既往NLR预测IS严重程度文献一致。增龄通过肌少、炎症基线高、运动规划代偿下降恶化步态。额-枕视觉运动网络（经下额枕束IFOF连接）任一节点（枕叶视觉反馈或额叶步态程序整合）受损均减损动态稳定，为病灶定位结果提供机制注脚。性别差异或与睾酮促炎、雌激素保护相关，故男+高NLR风险放大。RF优于传统LR（AUC 0.742）体现树模型抓非线性交互能力，但单中心、缺NIHSS、梗死体积、康复强度等协变量致泛化受限。
结论翻译
比较IS步行损害风险分层模型显示，RF在本单中心队列多指标较平衡；模型认定额叶病灶、枕叶病灶、年龄、性别与NLR为IS后步行损害显著决定因素。该基于易获变量的模型可作IS后步行损害风险分层的初步研究工具，待细化与外部验证。
