基于人工智能算法的脑卒中溶栓药物精准治疗:真实世界研究

背景缺血性脑卒中(IS)起病急,治疗时间窗窄,治疗效果的影响因素复杂,患者自身情况各异,因此治疗方式、给药种类、给药剂量、给药方式均会影响患者的溶栓效果。既往研究常利用统计方法分析溶栓效果的影响因素,人工智能算法在该方面的临床应用尚少见。目的 基于真实世界的数据,建立IS患者从一般特征、药物治疗方式到恢复效果的人工智能算法模型,实现个体化溶栓药物精准治疗,为临床用药决策提供数据支持。方法 采用回顾性研究方式,从大连医科大学附属第二医院医渡云科研大数据服务器系统提取本院确诊为IS患者(n=55 621)的临床信息,时间为2001-01-01至2021-12-31。依据纳入标准共筛选出信息完整的IS患者1 855例,依据每位患者入院与出院时美国国立卫生研究院卒中量表(NIHSS)评分差值评价患者溶栓效果,并将患者分为神经功能改善组(差值≥4分,n=1 236)和对照组(差值<4分,n=619)。经3位神经内科高级职称专家背对背推荐,并结合查阅的IS诊治指南及文献,整理可能与IS发作后溶栓效果相关的影响因素,归类为患者一般特征、用药指标、检查指标、检验指标、治疗方式5类。首先进行影响因素的单因素筛选,再利用主成分分析法对影响因素做降维处理。构建Logistic回归模型、支持向量机(SVM)、C5.0决策树、分类回归树(CART)、深度神经网络(DNN)及Wide&Deep模型,进行模型对比评价,比较不同模型对IS患者溶栓效果的预测情况,确定最佳模型,进而寻找模型的最优参数。将1 855例患者的临床信息进行分割处理,随机数为7和11,随机分为训练集(1 113例)、验证集(371例)、测试集(371例),其中训练集用来构建和训练模型以发现规律,验证集用来调整模型参数,测试集用来评价最终模型的泛化能力。应用特征工程构建简化模型并评估模型准确度。从大连市中心医院的医渡云科研大数据服务器系统中提取IS患者的临床信息(共提取3 925例),利用其数据进行外部验证。结果 共纳入26个患者特征(即溶栓效果影响因素)进行模型构建。经主成分分析降维成2个主成分,累积方差贡献率为93.1%。比较Logistic回归模型、SVM、C5.0决策树、CART、DNN及Wide&Deep模型预测溶栓效果的价值,发现Wide&Deep模型的预测性能最佳,准确度为0.815,F指数为0.871。训练集受试者工作特征(ROC)曲线下面积为0.753,测试集ROC曲线下面积为0.793。确定Wide&Deep模型的隐含层层数为7层,每层神经元个数为15个,以Sigmoid作为激活函数,模型参数最优。IS患者溶栓治疗后神经功能改善影响因素的特征工程分析结果显示,用药种类、给药方式和用药剂量的重要性排序均在前列,重要性排序由大到小分别为:是否有脑血管病史、用药种类、给药方式、单次剂量、动脉粥样硬化、溶栓时间窗、是否使用抗凝药物和活血化瘀药物等。模型自变量简化后得出,Wide&Deep模型准确度为0.819,模型自变量简化后外部验证的准确度为0.801。结论 Wide&Deep模型各项评价指标优异,影响溶栓效果的因素排序由大到小分别为:是否有脑血管病史、用药种类、给药方式、单次剂量、动脉粥样硬化、溶栓时间窗、是否使用抗凝药物和活血化瘀药物等。通过人工智能算法从影响因素和个体化给药方面可为临床医生提供及时和有效的IS患者药物溶栓治疗方案,对减轻疾病社会负担具有积极意义。