老年急性前循环缺血性脑卒中血管内治疗成功再通患者90天内死亡的危险因素分析

目的分析老年急性前循环缺血性脑卒中血管内治疗成功再通患者90 d内死亡的危险因素。方法回顾性选取2016年1月1日至2022年5月10日大连医科大学附属第二医院行血管内治疗术后闭塞血管成功再通的老年前循环大血管闭塞脑卒中患者123例,根据90 d内死亡与否分为死亡组21例和非死亡组102例。详尽收集2组基线资料、基线前循环Alberta卒中项目早期CT评分(ASPECTS)、脑卒中TOAST病因分型、实验室资料、入院时改良Rankin量表评分、美国国立卫生研究院卒中量表(NIHSS)评分、临床特征、取栓治疗的相关指标、术后指标,改良脑梗死溶栓(mTICI)分级以及术后90 d预后情况。结果死亡组中性粒细胞与淋巴细胞比值、纤维蛋白原、收缩压、舒张压、平均动脉压、手术时间、术后24 h NIHSS评分、术后颅内出血及术后症状性颅内出血比例明显高于非死亡组,ASPECTS、mTICI分级3级比例明显低于非死亡组,差异有统计学意义(P<0.05,P<0.01)。多因素logistic回归分析显示,mTICI分级3级是术后90 d患者死亡的保护因素(OR=0.265,95%CI:0.076~0.922,P=0.037),入院舒张压及术后症状性颅内出血是术后90 d患者死亡的危险因素(OR=1.060,95%CI:1.011~1.112,P=0.016;OR=9.752,95%CI:2.554~37.230,P=0.001)。结论老年急性前循环缺血性脑卒中血管内治疗成功再通的死亡患者具有较高的入院舒张压、症状性颅内出血和较低mTICI分级3级。

可解释的机器学习模型预测缺血性脑卒中患者预后研究

目的探讨可解释的机器学习模型预测急性缺血性脑卒中预后的应用价值。方法选取广东医科大学附属湛江中心医院神经内科自2020年3月至2023年10月实施静脉溶栓治疗的296例急性缺血性脑卒中患者为研究对象,随访3个月后使用改良Rankin量表评估预后(0~2分定义为预后良好,3~6分定义为预后不良)。回顾性收集患者的临床资料,并采用多因素Logistic回归分析筛选出患者预后的独立影响因素。以3∶2比例将患者随机分为训练集(n=178)和测试集(n=118),以预后独立影响因素为特征变量训练10种机器学习模型(逻辑回归、随机森林、支持向量机、朴素贝叶斯、线性判别分析、混合判别分析、灵活判别分析、梯度增强机、极端梯度提升和分类梯度提升),分别使用校准曲线、精确-召回曲线、精确-召回增益曲线及受试者工作特征曲线评估这10种机器学习模型的预测性能,使用Shapley加法解释(SHAP)对机器学习模型附加解释和可视化(包含全局解释和局部解释)。结果296例患者中预后不良72例。年龄(OR=1.039,95%CI:1.008~1.072,P=0.015)、美国国立卫生研究院卒中量表评分(OR=1.213,95%CI:1.000~1.337,P<0.001)、格拉斯哥昏迷量表评分(OR=0.470,95%CI:0.289~0.765,P=0.002,)、卒中预测工具-Ⅱ评分(OR=1.257,95%CI:1.043~1.516,P=0.016)、C反应蛋白水平(OR=1.709,95%CI:1.398~2.087,P<0.001)和血小板计数(OR=0.988,95%CI:0.978~0.998,P=0.016)是患者预后的独立影响因素。在10种机器学习模型中,极端梯度提升模型预测患者预后的性能最高(校准曲线评估示一致性指数为0.896,精确-召回曲线评估示曲线下面积为0.791,精确-召回增益曲线示曲线下面积为0.363,受试者工作特征曲线示曲线下面积为0.856)。全局解释中SHAP直观图显示特征变量的重要性排序依次为C反应蛋白、美国国立卫生研究院卒中量表评分、血小板计数、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分和年龄;SHAP散点图可视化了6个特征变量的贡献方向,呈"两端分布"现象;SHAP依赖图显示了6个特征变量的观测值与SHAP值间的依赖关系,其中C反应蛋白趋势最为显著。SHAP力图为单个样本提供了局部解释,使得极端梯度提升模型更加透明和可解释性。结论基于年龄、美国国立卫生研究院卒中量表评分、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分、C反应蛋白水平和血小板计数为特征变量的极端梯度提升模型预测急性缺血性脑卒中患者预后的性能最优,在此基础上结合SHAP进行模型解释和可视化,有助于理解各特征变量对预测结果的贡献大小及方向。