目的通过机器学习研究血栓弹力图(thromboelastography,TEG)联合脑白质高信号(white matter hy‐perintensity,WMH)在预测非心源性急性缺血性卒中(acute ischemic stroke,AIS)患者功能预后的作用和价值。方法纳入2022年8月至2024年2月13...目的通过机器学习研究血栓弹力图(thromboelastography,TEG)联合脑白质高信号(white matter hy‐perintensity,WMH)在预测非心源性急性缺血性卒中(acute ischemic stroke,AIS)患者功能预后的作用和价值。方法纳入2022年8月至2024年2月130例非心源性AIS患者,采集患者的一般临床资料、TEG和WMH信息。3个月后使用改良Rankin量表(modified Rankin scale,mRS)随访功能结果,mRS≥2分为预后不良。预测模型按照不同的预测因子范围分为4种特征集合:集合A(一般临床资料+TEG指标+WMH评分),集合B(一般临床资料+TEG指标),集合C(一般临床资料+WMH评分),以及集合D(一般临床资料)。针对每种特征集合均使用传统logistic回归模型(logistic regression,LR),以及随机森林(random forests,RF)、神经网络(neural network,NNET)和K-近邻聚类(K-nearest neighbors,KNN)3种机器学习算法,构建预测非心源性AIS患者3个月后功能结果模型,采用Bootstrap重抽样内部验证比较预测模型性能。针对130例患者样本进行模型的训练和测试,并通过0.632+方法修正(opti‐mism correction)模型的曲线下面积(area under the curve,AUC)值及其95%置信区间。结果针对LR、NNET和KNN模型,特征集合A的修正AUC值均优于特征集合D(DeLong检验,P<0.05);针对所有模型,特征集合A的修正AUC值高于其他特征集合;针对特征集合A,NNET模型的修正AUC值(0.830)高于其他模型。特征集合A的19个特征中筛选出6个与功能预后有关联的特征:美国国立卫生研究院卒中量表(National Institute of Health stroke scale,NIHSS)评分、卒中史、小动脉闭塞亚型、脑室周围白质高信号评分,以及TEG指标最大幅度(maximum ampli‐tude,MA)和纤溶指数LY30。结论在一般临床资料基础上联合TEG指标和WMH信息可显著提升预测非心源性AIS患者不良功能预后的准确性。基于机器学习的NNET和KNN算法建立的预测模型具有较高的预测价值。展开更多
文摘目的通过机器学习研究血栓弹力图(thromboelastography,TEG)联合脑白质高信号(white matter hy‐perintensity,WMH)在预测非心源性急性缺血性卒中(acute ischemic stroke,AIS)患者功能预后的作用和价值。方法纳入2022年8月至2024年2月130例非心源性AIS患者,采集患者的一般临床资料、TEG和WMH信息。3个月后使用改良Rankin量表(modified Rankin scale,mRS)随访功能结果,mRS≥2分为预后不良。预测模型按照不同的预测因子范围分为4种特征集合:集合A(一般临床资料+TEG指标+WMH评分),集合B(一般临床资料+TEG指标),集合C(一般临床资料+WMH评分),以及集合D(一般临床资料)。针对每种特征集合均使用传统logistic回归模型(logistic regression,LR),以及随机森林(random forests,RF)、神经网络(neural network,NNET)和K-近邻聚类(K-nearest neighbors,KNN)3种机器学习算法,构建预测非心源性AIS患者3个月后功能结果模型,采用Bootstrap重抽样内部验证比较预测模型性能。针对130例患者样本进行模型的训练和测试,并通过0.632+方法修正(opti‐mism correction)模型的曲线下面积(area under the curve,AUC)值及其95%置信区间。结果针对LR、NNET和KNN模型,特征集合A的修正AUC值均优于特征集合D(DeLong检验,P<0.05);针对所有模型,特征集合A的修正AUC值高于其他特征集合;针对特征集合A,NNET模型的修正AUC值(0.830)高于其他模型。特征集合A的19个特征中筛选出6个与功能预后有关联的特征:美国国立卫生研究院卒中量表(National Institute of Health stroke scale,NIHSS)评分、卒中史、小动脉闭塞亚型、脑室周围白质高信号评分,以及TEG指标最大幅度(maximum ampli‐tude,MA)和纤溶指数LY30。结论在一般临床资料基础上联合TEG指标和WMH信息可显著提升预测非心源性AIS患者不良功能预后的准确性。基于机器学习的NNET和KNN算法建立的预测模型具有较高的预测价值。
