基于混合集成学习的急性缺血性卒中后卒中相关性肺炎预测模型构建与多中心验证

《Frontiers in Neurology》：Construction and multi-center validation of a model based on blending ensemble learning for predicting stroke-associated pneumonia following acute ischemic stroke

　　

背景： 卒中相关性肺炎（Stroke-Associated Pneumonia, SAP）是急性缺血性卒中（Acute Ischemic Stroke, AIS）后常见且严重的感染性并发症，可导致临床结局恶化。研究人员旨在开发并验证一种基于混合集成学习（Blending Ensemble Learning）的新型预测模型，以实现SAP的早期精准筛查和个体化风险分层。 方法： 这项多中心研究首先纳入了2022年至2024年间收治的1,123例患者建立推导队列（derivation cohort）。随后，于2025年初前瞻性纳入199例患者作为时间验证队列（temporal validation set），并从覆盖12家医院的区域健康大数据平台中提取287例患者作为外部验证队列（external validation set）。通过最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归识别高价值临床及生物标志物特征。为克服单一分类器的局限性，研究采用混合集成学习策略构建最终预测模型。该模型在判别力、校准度和临床实用性方面接受了全面评估，并与单一随机森林（Random Forest, RF）和极端梯度提升（eXtreme Gradient Boosting, XGBoost）模型进行了比较。 结果： 共识别出17个预测因子，包括系统性免疫炎症指数（Systemic Immune-Inflammation Index, SII）、中性粒细胞与淋巴细胞比值（Neutrophil-to-Lymphocyte Ratio, NLR）、美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）和D-二聚体（D-dimer）。混合集成模型在验证队列中展现出卓越的判别能力，受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, AUC）达0.898（95%置信区间[Confidence Interval, CI]：0.845–0.951），显著优于最优单一模型。此外，Shapley加性解释（SHapley Additive exPlanations, SHAP）分析强调，过度炎症反应、免疫血栓形成（immunothrombosis）和营养耗竭是驱动SAP发病机制的关键环节。 结论： 所提出的混合集成模型展现出优异的泛化能力和高灵敏度。配套的基于网络的工具为识别高危患者和实施早期精准干预提供了强有力的决策支持。

基于混合集成学习的急性缺血性卒中后卒中相关性肺炎预测模型：研究解读

一、研究背景与问题提出

急性缺血性卒中（Acute Ischemic Stroke, AIS）是全球范围内导致死亡和长期残疾的主要原因之一。尽管静脉溶栓和血管内治疗等急性再灌注策略取得了显著进展，但卒中后并发症仍严重阻碍神经功能恢复，并造成沉重的医疗负担。卒中相关性肺炎（Stroke-Associated Pneumonia, SAP）作为AIS后最常见的感染性并发症，各队列研究报告的发病率介于7%至38%之间。SAP不仅与住院时间延长和重症监护需求增加相关，更是早期死亡和不良长期预后的独立危险因素。因此，早期精准识别SAP高危患者，对于指导预防性干预和改善临床预后至关重要。

目前，A2DS2和ISAN等风险分层工具已被开发用于SAP筛查，但这些量表主要基于传统逻辑回归模型构建，依赖静态的人口统计学和基线临床变量，难以捕捉生物标志物的动态病理生理变化，导致预测敏感性和特异性欠佳。新近证据表明，“卒中诱导的免疫抑制（Stroke-induced Immunodepression, SIID）”与“免疫血栓形成（Immunothrombosis）”之间的相互作用是驱动SAP发病机制的关键。相比白细胞（White Blood Cell, WBC）或C反应蛋白（C-reactive Protein, CRP）等单一指标，系统性免疫炎症指数（Systemic Immune-Inflammation Index, SII）、中性粒细胞与淋巴细胞比值（Neutrophil-to-Lymphocyte Ratio, NLR）和系统性炎症反应指数（Systemic Inflammation Response Index, SIRI）等新型系统性炎症复合指数能更全面地反映机体免疫稳态与血栓炎症反应之间的平衡，被视为极具前景的预测生物标志物。然而，将这些稳健指标整合到高精度预测模型中的研究仍然匮乏。

近年来，机器学习（Machine Learning, ML）算法在预测卒中后出血转化、复发和功能结局方面展现出优于传统统计模型的性能。尽管已有初步尝试将ML应用于SAP预测，但现有模型仍受制于重大方法学局限：模型架构主要局限于单一算法，且普遍缺乏严格的时间验证和独立的外部多中心验证，这些缺陷严重损害了当前预测工具的泛化能力和临床实用性。

二、研究内容与核心结论

为应对上述挑战，研究人员构建并验证了一种高性能的SAP风险预测ML模型。研究采用多管齐下的策略提升模型性能与泛化能力：纳入多维预测因子，特别是反映SIID机制的SII、NLR和SIRI等复合指数；采用混合集成策略（Blending Ensemble Strategy）优化多样化基学习器以增强稳健性；实施严格的“时空双重验证”框架，纳入独立和外部多中心队列，并通过基于Shapley加性解释（SHapley Additive exPlanations, SHAP）的可解释网络工具确保临床可及性。研究最终旨在为急性卒中患者提供定量、可及的SAP风险筛查工具，支持早期临床干预并改善患者结局。

三、关键技术方法概述

研究采用双向队列比较设计，包含一个推导队列和两个独立验证队列。推导队列来自天津中医药大学第一附属医院2022年1月至2024年12月连续收治的1,123例AIS患者；时间验证队列为同一机构2025年1月至6月前瞻性纳入的199例患者；外部多中心验证队列来自浪潮健康数据库（天津，12个医疗中心）分层随机抽样的287例患者。数据预处理采用MissForest算法填补缺失值，合成少数类过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）平衡类别。特征选择采用两阶段策略：单变量分析初筛后，嵌套于5折交叉验证（Cross-Validation, CV）框架内的最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归进行深度降维，仅保留在所有折中均被选中的特征，并通过方差膨胀因子（Variance Inflation Factor, VIF）排除多重共线性变量。模型构建方面，系统评估了九种监督学习算法，并基于性能与多样性原则选择随机森林（Random Forest, RF）和极端梯度提升（eXtreme Gradient Boosting, XGBoost）作为一级基学习器，逻辑回归作为二级元学习器，构建两层混合集成模型。

四、研究结果

4.1 研究人群与基线特征

共1,123例患者纳入推导队列，其中236例（21.02%）被诊断为SAP。单变量分析显示，SAP组患者年龄显著更大，入院时美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）评分更高，吞咽困难患病率更高。实验室参数方面，SAP组白细胞计数、中性粒细胞绝对计数和CRP水平显著升高，NLR、血小板与淋巴细胞比值（Platelet-to-Lymphocyte Ratio, PLR）、SIRI和SII等新型复合炎症指数均显著升高，而血清白蛋白（Albumin, ALB）和血红蛋白（Hemoglobin, HGB）水平显著降低。

4.2 特征选择结果

通过严格的“基于交集的特征稳定性选择标准”，最终确定17个关键预测因子，涵盖：神经与临床状态指标（年龄、NIHSS、改良格拉斯哥预后评分[modified Glasgow Prognostic Score, mGPS]、吞咽困难、卒中亚型、慢性阻塞性肺疾病[Chronic Obstructive Pulmonary Disease, COPD]、吸烟史）；关键免疫炎症标志物（SII、NLR、超敏C反应蛋白[high-sensitivity C-reactive Protein, hs-CRP]）；基础生理与凝血营养指标（WBC、血小板计数[Platelet Count, PLT]、HGB、平均红细胞血红蛋白浓度[Mean Corpuscular Hemoglobin Concentration, MCHC]、ALB、纤维蛋白原[Fibrinogen, FIB]、D-二聚体）。SIRI和PLR因LASSO多折验证中系数不稳定被排除，A2DS2因严重多重共线性（VIF=7.42）被排除。

4.3 多模型构建与性能比较

基于17个关键特征，构建并训练了九种ML分类器。在独立验证集上，集成树模型整体优于基于距离或线性模型。RF模型综合性能最优，AUC达0.811（95% CI: 0.730–0.892），F1分数为0.739；XGBoost紧随其后，AUC为0.800（95% CI: 0.716–0.884）。DeLong检验显示，顶级集成模型间AUC差异未达统计学显著水平。校准曲线表明RF模型具有最佳概率校准度，Brier分数最低（0.174）。

4.4 混合集成模型构建与性能

基于顶级基学习器间统计等效性，研究实施混合集成策略，以逻辑回归作为元学习器。最终逻辑回归-混合模型在验证队列中AUC达0.898（95% CI: 0.845–0.951），较最优单一模型（RF，AUC=0.815）绝对提升8.3%。模型在特异性0.851下实现敏感性0.782，F1分数0.801。决策曲线分析（Decision Curve Analysis, DCA）显示模型在广泛阈值概率范围内提供优于“全部治疗”或“全部不治疗”策略的净获益。与RF模型相比，混合模型实现了显著的风险重分类改善，分类净重分类指数（Net Reclassification Index, NRI）为0.165（95% CI: 0.112–0.218, p<0.001），综合判别改善指数（Integrated Discrimination Improvement, IDI）为0.082（95% CI: 0.054–0.110, p<0.001）。敏感性分析证实插补策略未引入乐观偏倚。

4.5 关键预测因子的可视化解释

SHAP蜂群图显示，hs-CRP、NIHSS、FIB、D-二聚体和SII水平升高与SAP风险增加正相关，而ALB和MCHC水平升高主要位于负SHAP区域，提示保护效应。SHAP交互网络揭示hs-CRP与NIHSS之间存在最强协同交互作用。基于平均绝对SHAP值，hs-CRP（17.6%）、NIHSS（16.1%）和FIB（11.7%）是模型预测的三大主要驱动因素，其次为D-二聚体（10.6%）和年龄（7.3%）。

4.6 模型泛化性评估

时间验证队列中，混合模型AUC为0.875（95% CI: 0.841–0.910），显著优于A2DS2（AUC=0.805, 95% CI: 0.759–0.850）。混合模型NRI为0.142（95% CI: 0.091–0.193, p<0.001），IDI为0.068（95% CI: 0.042–0.094, p<0.001）。外部多中心验证队列中，模型保持稳健判别能力，AUC为0.825（95% CI: 0.778–0.872），准确性0.767，敏感性0.630，特异性0.840，阴性预测值（Negative Predictive Value, NPV）达0.809。

4.7 在线预测工具开发与部署

最优混合集成模型被部署为交互式网络风险计算器，输入17个关键预测因子值后，系统可即时计算个体SAP发生概率，并基于预设最优阈值进行“低风险”或“高风险”自动分层，作为临床决策支持系统辅助快速识别高危个体。

五、讨论总结与结论翻译

讨论部分指出，与传统SAP风险评分相比，混合策略通过线性加权融合协同了Bagging（RF）和Boosting（XGBoost）算法的优势，有效平衡了偏差-方差权衡，在处理高维临床数据时表现出更强的稳健性。SHAP全局可解释性分析揭示了比传统认知更复杂的多维病理生理图景：系统性炎症和血栓标志物（hs-CRP、FIB、D-二聚体）的预测权重高于年龄，年龄仍通过“免疫衰老”机制发挥关键作用。NIHSS和吞咽困难的高预测权重直接量化了中枢神经系统损伤严重程度及其临床后遗症，通过“脑-肺轴”双重机制促进SAP发生。免疫血栓形成机制解释了FIB和D-二聚体的高排名，高炎症状态激活凝血级联，微循环障碍导致肺低灌注和局部免疫细胞募集受损。低HGB和异常MCHC通过“缺氧-易感偶联”机制增加SAP风险，低ALB则反映营养不良和免疫球蛋白合成底物缺乏。

研究局限性包括：回顾性设计固有的选择偏倚和信息偏倚；外部验证采用分层随机抽样而非全量数据分析；外部队列吞咽评估无法前瞻性统一，可能引入观察者间和中心间异质性。

结论： 总之，本研究成功开发并验证了一种利用混合集成学习的高性能SAP预测模型。通过协同新型复合炎症标志物、凝血参数、贫血相关指标和传统神经功能评分，该模型在多中心队列中展现出优越的预测效能、稳健的泛化能力和清晰的生物学可解释性。为消除技术壁垒并促进临床转化，该模型已被部署为在线可视化风险评估工具，临床医生仅需输入关键指标即可实现实时风险分层。在临床上，该工具可作为客观指导，用于早期识别高危个体，指导强化气道管理和精准营养支持等先发策略，以阻断感染并优化预后。