《Frontiers in Medicine》：Development and internal validation of an artificial intelligence-driven precision rehabilitation model for ischemic stroke: a retrospective cohort study
编辑推荐：
背景：功能性恢复在缺血性卒中（ischemic stroke）患者间及照护阶段间差异显著。常规康复计划主要依赖临床量表与医师判断，可能未能充分捕捉神经功能严重程度、功能状态、合并症、治疗暴露与康复阶段之间的非线性交互。本研究旨在开发并内部验证一种人工智能（ar
背景：功能性恢复在缺血性卒中（ischemic stroke）患者间及照护阶段间差异显著。常规康复计划主要依赖临床量表与医师判断，可能未能充分捕捉神经功能严重程度、功能状态、合并症、治疗暴露与康复阶段之间的非线性交互。本研究旨在开发并内部验证一种人工智能（artificial intelligence, AI）驱动的精准康复模型，用于预测缺血性卒中患者在连续照护过程中的不良康复结局。方法：本回顾性队列研究纳入268例缺血性卒中患者，采用分层随机抽样分为训练队列（n=188）与内部验证队列（n=80）以保留结局分布。候选预测因子包括人口学特征、血管危险因素、合并症负担、基线美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）评分、基线改良巴氏指数（Modified Barthel Index, MBI）评分、康复阶段及治疗相关变量。不良康复结局定义为观察期内MBI评分低于85或NIHSS评分降低少于2分。研究人员开发并比较了逻辑回归、随机森林、极端梯度提升（extreme gradient boosting, XGBoost）与轻量梯度提升机（Light Gradient Boosting Machine, LightGBM）模型。模型性能通过区分度、校准度、决策曲线分析与SHapley加性解释（SHapley Additive exPlanations, SHAP）评估。结果：104例患者（38.8%）发生不良康复结局。内部验证队列中，XGBoost总体性能最佳，受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）为0.862（95% CI, 0.776–0.923），准确率为0.813，灵敏度为0.806（95% CI, 0.625–0.926），特异度为0.816（95% CI, 0.679–0.912），F1分数为0.781，Brier分数为0.139。校准分析显示预测与观测风险一致性可接受。决策曲线分析表明在0.20–0.75阈值概率内较全治疗或全不治疗策略具有更大临床净获益。SHAP分析确定基线MBI评分、基线NIHSS评分、年龄、结构化康复治疗、康复阶段与合并症负担为最具影响预测因子。模型衍生低、中、高风险组不良结局率分别为12.8%、34.4%与68.6%。结论：该AI驱动模型显示出良好区分度、可接受校准度及具临床意义的风险分层能力，可为连续照护下个体化康复风险分层提供初步框架；但常规临床应用前仍需外部多中心验证与前瞻性临床评价。
研究背景方面，缺血性卒中（ischemic stroke）仍是全球死亡与长期残疾的主要原因，尽管再灌注治疗与卒中单元照护改善了早期生存，许多存活者仍存在神经功能缺损、日常生活活动能力（activities of daily living, ADL）下降与社会参与受限。功能恢复高度异质：入院神经功能相近的患者可呈现从快速改善到慢性依赖的完全不同轨迹。常规临床中康复计划仍高度依赖临床量表如美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）与改良巴氏指数（Modified Barthel Index, MBI），以及医师经验，难以充分刻画年龄、卒中严重程度、基线功能、血管危险因素、合并症、康复时机与治疗强度间的非线性交互。已有预测模型多聚焦死亡、复发、出院去向或一般功能结局，而非康复反应；传统回归难以处理复杂交互；机器学习研究又常受样本量小、验证不充分、偏倚风险高与可解释性不足限制。因此，研究人员开展本研究，旨在开发与内部验证一种跨越急性、恢复与慢性/后遗症阶段的AI驱动精准康复（precision rehabilitation）模型，整合人口学、神经严重程度、基线功能、血管风险、合并症、康复阶段与治疗相关变量，预测不良康复结局并支持分阶段个体化康复决策。论文发表于《Frontiers in Medicine》。
关键技术方法上，研究人员采用单中心回顾性队列，来源为因缺血性卒中住院并接受医疗与康复管理的268例患者，按7:3分层随机抽样得训练队列188例与内部验证队列80例。预测算法包括逻辑回归、随机森林、极端梯度提升（XGBoost）与轻量梯度提升机（LightGBM）。特征选择于训练队列内通过临床相关性、LASSO回归与模型特征重要性排序完成；超参数经五折交叉验证调优，并采取正则化、树深限制、子采样与早停以防过拟合。性能评估含区分度（AUC）、校准度（校准截距、斜率、Brier分数）、决策曲线分析（decision curve analysis, DCA）与SHapley加性解释（SHAP）可解释性分析。结局定义为观察期内MBI<85或NIHSS降低<2分。
研究结果部分保留小标题如下。3.1 研究队列与结局分布：312例初筛排除44例后入组268例，训练与验证队列不良结局比例均为38.8%，阶段与基线变量均衡。3.2 训练与验证队列基线特征：年龄、性别、各康复阶段比例、基线NIHSS、MBI、高血压、糖尿病、房颤、颈动脉斑块、合并症负担及治疗暴露均无组间显著差异，验证队列可代表训练队列。3.3 与不良康复结局相关的临床特征：不良结局组年龄更大、NIHSS更高、MBI更低、慢性/后遗症阶段更多，高血压、糖尿病、房颤、颈动脉斑块、合并症≥2更常见；多变量逻辑回归中高龄、高NIHSS、低MBI、慢性阶段、合并症≥2仍独立关联不良结局，结构化康复治疗降低不良结局可能。3.4 特征选择与最终预测因子：LASSO与特征重要性保留13个变量，核心为MBI、NIHSS、年龄、康复阶段、合并症负担。3.5 内部验证队列模型性能：XGBoost的AUC 0.862最高，准确率0.813、灵敏度0.806、特异度0.816、F1 0.781、Brier 0.139；显著优于逻辑回归，与随机森林、LightGBM差异不显著；因整体表现选为最终模型。3.6 最终模型校准与临床效用：校准截距0.04、斜率0.92、Brier 0.139、预期校准误差0.046；DCA在0.20–0.75阈值内净获益高于全治疗/全不治疗，最大净获益0.29（阈值约0.40）。3.7 可解释人工智能分析：SHAP显示低MBI、高NIHSS、高龄、慢性阶段、高合并症、颈动脉斑块、房颤推高风险；结构化康复、针灸、中药相关治疗呈风险降低关联，但属观察性预测关联而非因果。3.8 风险分层与精准康复决策框架：预测概率<0.30为低危、0.30–0.60为中危、>0.60为高危；全队列不良结局率12.8%、34.4%、68.6%；验证队列高危比低危OR 12.6（95% CI, 3.3–48.1），并据此提出标准康复、强化康复与多学科康复路径。3.9 敏感性分析：剔除中药变量AUC降至0.844；仅用MBI改善定义AUC 0.846；各阶段AUC 0.817–0.858；链式方程多重插补后AUC 0.858，模型对变量定义与插补方法不敏感。
讨论部分总结：研究人员指出模型核心预测因子符合临床逻辑，MBI反映功能储备、NIHSS反映神经缺损、年龄体现生理储备与可塑性差异、康复阶段体现急性—恢复—慢性路径异质性、合并症反映血管与代谢背景。树模型优于逻辑回归源于康复预后的非线性与交互，但XGBoost优势幅度小，不宜视为算法绝对优胜。校准与DCA说明预测概率可用于资源分配与风险沟通；SHAP提升透明度但非因果证据，治疗变量存在适应证混杂。风险分层把概率转化为低/中/高危照护路径，是精准康复落地桥梁。研究优势在于康复导向、连续照护、常规变量、算法比较与可解释框架；局限为单中心、样本与事件数中等、内部验证、复合结局非mRS/Fugl-Meyer、治疗非随机、缺少影像与数字生物标志物、未前瞻验证。
结论部分原文翻译：本研究开发并内部验证了一种人工智能驱动的精准康复模型，用于预测缺血性卒中患者在连续照护过程中的不良康复结局。在所评估模型中，XGBoost在内部验证队列中表现出良好区分度、可接受校准度与潜在临床效用。可解释人工智能确定基线功能独立性、神经功能严重程度、年龄、结构化康复暴露、康复阶段与合并症负担为个体化风险估计的关键贡献因素。通过将预测概率转化为具临床可解释的风险类别，该模型可为阶段敏感性康复风险分层与计划提供初步框架。然而，由于模型仅基于单中心队列并仅作内部验证，在推荐常规临床应用前仍需外部多中心验证、前瞻性评价与模型更新。
