基于機器學習的急性穿支動脈閉塞性腦梗死預后預測模型研究

劉妍?賈龍斌?許麗娜?劉偉

【摘要】目的 基于機器學習算法評估急性穿支動脈閉塞性腦梗死預測模型并篩選優勢模型，為臨床管理急性穿支動脈梗死患者提供依據。方法 選取441例急性穿支動脈閉塞性腦梗死患者為研究對象，排除臨床信息不完整10例，多次腦梗死患者28例，共納入403例。將結果變量分為預后良好組［改良Rankin量表（mRS）評分0～2分］和預后不良組（mRS評分>2分）。采用單、多因素Logistic回歸（LR）以逐步回歸法分析篩選預測變量。使用LR、隨機森林（RF）、支持向量機（SVM）3種機器學習算法構建功能預后預測模型，在測試集中通過受試者操作特征（ROC）曲線的曲線下面積（AUC）、準確度、靈敏度、特異度等指標比較預測模型對患者發病90 d功能預后的預測價值。結果 403例患者中男性占68.73%，年齡（60.4±11.4）歲。從44個變量中選出7個變量作為預測變量，分別為白細胞計數、血小板計數、就診時血糖、膽固醇、既往糖尿病病史、既往服用降糖藥物史、既往吸煙史（P均< 0.05）。LR、RF、SVM預測預后的AUC分別為0.610、0.690、0.780。結論 機器學習算法在預測急性穿支動脈閉塞性腦梗死中有一定的預判能力。RF、SVM（非線性模型）在預測模型中的表現優于傳統LR模型（線性模型）。

【關鍵詞】腦梗死；預后；穿支動脈粥樣硬化性疾??；穿支動脈；機器學習；預測模型

Study of a prediction model for acute penetrating artery territory infarction based on machine learning Liu Yan△， Jia Longbin， Xu Lina， Liu Wei.△Changzhi Medical College， Changzhi 046000， China

Corresponding author， Jia Longbin， E-mail： sxjcjlb@163.com

【Abstract】Objective To evaluate the performance of prediction models for? acute penetrating artery territory occlusive cerebral infarction based on machine learning algorithms and select the optimal model， aiming to provide evidence for clinical management of acute penetrating artery territory infarction. Methods A total of 441 patients diagnosed with acute perforator artery territory infarction were enrolled in this study. Patients with incomplete clinical information （n = 10） and multiple cerebral infarctions （n = 28） were excluded， resulting in a final sample size of 403 patients. The outcome variables were divided into two groups： good prognosis （mRS scores of 0-2） and poor prognosis （mRS scores>2）. Univariate and multi-variate Logistic regression （LR） using the stepwise regression method were employed to identify prediction variables. LR， random forest （RF）? and support vector machine （SVM） models were utilized to develop a prognostic prediction model. The dataset was further divided randomly into a training set and a test set in a 7：3 ratio. In the test set， the predictive performance of the model for 90-day functional prognosis in patients with BAD （with poor prognosis defined as mRS scores > 2） was evaluated using metric such as the area under the receiver operating characteristic （ROC） curve （AUC）， accuracy， sensitivity and specificity， etc. Results Among 403 patients with BAD， 68.73% of them were male， with an average age of （60.4±11.4） years. Using the stepwise regression method， 7 prediction variables were selected from a pool of 44 variables： white blood cell count， platelet count， blood glucose， cholesterol， history of diabetes mellitus， history of taking hypoglycemic drugs， and history of smoking （all P < 0.05）. The AUC of LR， RF and SVN for predicting clinical prognosis was 0.610， 0.690， and 0.780， respectively. Conclusions Machine learning algorithms have demonstrated certain predictive ability for acute penetrating artery territory infarction. The performance of RF and SVM models （nonlinear models） is superior to traditional logistic regression model （linear model）.

【Key words】Cerebral infarction；Prognosis；Branch atheromatous disease；Penetrating artery；Machine learning；

Predictive model

腦卒中已經成為全球致殘和致死的第二大原因，具有高患病率、高復發率、高病死率的特點，而且患病率逐年上升，給低收入和中等收入國家帶來了巨大負擔［1-2］。研究顯示，90 d腦梗死復發率為2.81%，病死率也處于較高水平［3］。腦卒中除了會導致常見的感覺、運動、自主功能障礙及認知功能障礙以外，還會引發腦心綜合征［4-5］。隨之而來的康復需求及殘疾適應周期等經濟負擔是沉重的［6-7］。超過80%的腦卒中患者為缺血性腦卒中，14.9%為腦出血卒中，3.1%為蛛網膜下隙出血卒中［1， 9］。穿支動脈粥樣硬化性疾?。˙AD）以動脈閉塞為特征，微動脈粥樣硬化使得血栓堵塞在母動脈孔附近相對較大的穿支（直徑700～

800 ?m），是引起急性孤立性皮層下梗死最常見且重要的病因，尤以亞洲人群多見，在發病急性期內，BAD引發的腦卒中更易出現癥狀波動或神經功能惡化［10-11］。在急性缺血性腦血管病住院患者中，約10.3%～10.8%為BAD患者，其中17%～75%運動系統受累患者的癥狀呈進行性加重［12］。到目前為止，還沒有針對BAD的最佳治療方法，因此預測BAD相關腦卒中的預后尤為重要［10-11， 13］。

機器學習是人工智能（AI）的一個重要分支，監督學習、無監督學習和深度學習是目前機器學習的重點類型。精準醫療是未來醫療的發展趨勢，而AI是實現精準醫療的重要手段［14］。目前已有將機器學習應用于腦卒中的相關研究，包括影像學、生物信息學、基因研究等方面［15-17］。準確的預后預測一直是腦卒中研究的中心目標，有助于制定最適合的短期和長期治療目標。

預測模型的建立可以幫助臨床醫師根據預測結果選擇更有針對性的治療方案。目前基于機器學習的預測研究雖然很多，但針對BAD相關腦卒中的預測研究甚少。本研究旨在采用機器學習對急性穿支動脈閉塞性腦梗死構建神經功能預測模型，并通過相關指標對其進行評估，選擇優勢模型，為BAD相關腦卒中的治療提供參考依據。

對象與方法

一、研究對象

研究對象來源于山西省醫學重點學科、首批省級臨床重點?？?、國家衛健委腦卒中篩查與防治基地——長治醫學院附屬晉城市人民醫院神經內科。收集2020年1月至2021年12月連續入院的急性穿支動脈閉塞性腦梗死患者441例的臨床資料，按以下納入與排除標準進行篩選，納入標準：①年齡>18歲；②根據BAD的定義，經頭顱CT或MRI確診腦梗死；頭部MRI擴散加權成像（DWI）顯示存在穿支動脈供血區（基底節區、內囊、丘腦、腦橋等）孤立梗死病灶（直徑< 30 mm），梗死病灶在水平位至少累及不少于2個DWI 影像層面，或DWI顯示梗死病灶最大層面直徑≥ 15 mm，或DWI顯示梗死病灶與腦橋腹側的腦表面相連，梗死病灶靠近中線、位于一側且不超過中線；③發病在3 d內；④住院接受治療。排除標準：①臨床信息不完整；②發病90 d內死亡；③多發性、皮質性梗死。最終納入研究對象403例。本研究屬于回顧性研究，由晉城市人民醫院醫學倫理委員會審核通過（批件號：JCPH.NO20221201006）。

二、基線數據

1.納入變量

通過住院系統收集患者的人口學信息（年齡、身高 、體質量、BMI）、入院時實驗室檢查結果［血紅蛋白、紅細胞、白細胞、血小板、中性粒細胞、淋巴細胞、中性粒細胞/淋巴細胞、血小板/

淋巴細胞、膽紅素、尿素、肌酐、尿素/肌酐、C反應蛋白（CRP）、LDL-C、甘油三酯、膽固醇、血糖、D-二聚體、同型半胱氨酸（HCY）］、既往病史［高血壓、糖尿病、冠狀動脈粥樣硬化性心臟?。ü谛牟。?、心房顫動、腦出血、腦梗死］、個人史（吸煙史、飲酒史）、既往服藥史（降壓藥、調脂藥、降糖藥、抗凝藥、抗血小板藥等）、評分［入院時美國國立衛生研究院卒中量表（NIHSS）評分、加重后NIHSS評分、出院時NIHSS評分、入院時改良Rankin量表（mRS）評分、出院時mRS評分］、神經功能惡化情況。由數據監察員獨立審核數據的完整性、準確性。

2.結局變量

采用電話隨訪的形式，使用mRS評估發病90 d時患者的預后。將患者按照預后良好（mRS評分0～2分）和預后不良（mRS評分>2分）分為2組。

三、統計學處理

采用SPSS 25.0和Python 3.7進行數據分析。二分類變量采用例（%）表示，比較采用χ 2檢驗。符合正態分布的計量資料用表示，比較采用t檢驗；不符合正態分布的計量資料用M（P25，P75）表示，比較采用秩和檢驗。雙側P < 0.05為差異有統計學意義。

四、預測模型建立方法

將單因素Logistic回歸（LR）中P < 0.25的預測因素納入多因素分析，多因素LR以逐步回歸法進行特征篩選，最終將P < 0.05的變量納入預測模型中。使用EM插補法對缺失值進行填充。將納入的研究對象按 7∶3隨機分為訓練集和測試集，采用LR、隨機森林（RF）、支持向量機（SVM）3種機器學習的方法分別建立預測模型。在測試集內對各個預測模型的預測性能進行內部驗證。模型評價指標包括受試者操作特征（ROC）曲線的曲線下面積（AUC）、準確度、靈敏度、特異度。AUC 為0.5～0.7 時表示預測模型的準確度較低，為0.7～0.9 時表示預測模型具有一定準確度，AUC>0.9 時則表示預測模型具有較高的準確度。根據AUC評估模型價值，并選出優勢模型。

結果

一、2組急性穿支動脈閉塞性腦梗死患者基線資料比較

本研究納入符合條件的急性穿支動脈閉塞性腦梗死患者共403例，其中預后良好組353例、預后不良組50例。2組患者的白細胞、血小板、D-二聚體、入院時NHISS評分、加重后NHISS評分、出院時NHISS評分、出院時mRS評分、既往糖尿病病史、個人吸煙史比較差異有統計學意義（P均<0.05）。見表1。

二、預測變量篩選結果

多因素LR逐步回歸結果顯示，白細胞、血小板、就診時血糖、膽固醇、既往糖尿病病史、既往服用降糖藥、個人吸煙史可作為3種機器學習模型的變量（P均< 0.05）。見表2。

三、預測模型評價

LR、RF、SVM預測模型預測急性穿支動脈閉塞性腦梗死患者神經功能預后的AUC分別為0.610、0.690、0.780。準確度、特異度、靈敏度見表3、圖1。

討論

本研究從基線變量中篩選出7個變量作為預測變量。對于預測變量選擇的方法很重要，因為在模型構建的過程中，數據集的數量龐大，但大多數的預測變量與目標變量無關，可能會降低機器學習的準確性。因此，本文采用LR逐步回歸法進行預測變量的篩選，具有自動化選擇、靈活性強、節約成本及時間、避免模型欠擬合等優勢。

本研究基于機器學習的方法建立了急性穿支動脈閉塞性腦梗死患者90 d神經功能預后的預測模型，結果顯示非線性模型RF（AUC=0.690）、SVM（AUC=0.780）算法構建的機器學習模型預測能力比傳統的非線性模型LR（AUC=0.610）的表現更優秀，表明機器學習對預測急性穿支動脈閉塞性腦梗死患者的神經功能預后具有可行性，且非線性模型的效果優于線性模型。有研究顯示，包括RF、分類和回歸樹、C5.0決策樹、SVM、自適應提升、最小絕對收縮和選擇算子、LR在內的模型可以預測發病90 d缺血性腦卒中患者的神經功能預后，具有一定的準確性（AUC 0.66～0.71）［18-19］。

對于影響BAD患者治療效果的具體因素目前尚無確切定論，且BAD 相關腦卒中患者的癥狀更易出現波動及進展，導致預后不佳［20］。本研究將急性穿支動脈閉塞性腦梗死與機器學習相聯系，通過機器學習找到預測患者神經功能預后的可靠方法，對BAD患者早期采取更有針對性的臨床干預提供了依據。

本研究存在一些局限性：①由于BAD相關腦梗死患者的分布廣泛，其預后容易受到醫療水平等特定因素的影響，本文僅選取了單一機構的急性穿支動脈閉塞性腦梗死患者數據集，存在一定的局限性。②本研究未進行影像學指標預測，可能會影響預測模型的特異度。

綜上所述，新的科技變革會促使更多的AI技術服務于醫學。機器學習被用于醫學領域是發展趨勢，對醫學的進步將產生巨大的影響。

參 考 文 獻

［1］ Saini V， Guada L， Yavagal D R. Global epidemiology of stroke and access to acute ischemic stroke interventions［J］. Neurology， 2021， 97（20 Suppl 2）： S6-S16.

［2］ Tu W J， Zhao Z， Yin P，et al. Estimated burden of stroke in China in 2020［J］. JAMA Netw Open， 2023， 6（3）： e231455.

［3］ 王隴德， 彭斌， 張鴻祺， 等. 《中國腦卒中防治報告2020》概要［J］. 中國腦血管病雜志， 2022， 19（2）： 136-144.

Wang L D， Peng B， Zhang H Q， et al.Brief report on stroke prevention and treatment in China［J］. Chin J Cerebrovasc Dis，2022， 19（2）： 136-144.

［4］ Rost N S， Brodtmann A， Pase M P， et al. Post-stroke cognitive impairment and dementia［J］. Circ Res， 2022， 130（8）： 1252-1271.

［5］ 龔家俊， 王文敏. 急性腦卒中后腦心綜合征的臨床特點及其對患者預后的影響［J］. 新醫學， 2021， 52（5）： 371-375.

Gong J J， Wang W M. Clinical characteristics of cerebro-cardiac syndrome and its effect on clinical prognosis of patients with acute stroke［J］. J New Med， 2021， 52（5）： 371-375.

［6］ Luengo-Fernandez R， Violato M， Candio P， et al. Economic burden of stroke across Europe： a population-based cost analysis［J］. Eur Stroke J， 2020， 5（1）： 17-25.

［7］ Cieza A， Causey K， Kamenov K， et al. Global estimates of the need for rehabilitation based on the Global Burden of Disease study 2019： a systematic analysis for the Global Burden of Disease Study 2019［J］. Lancet Lond Engl， 2020， 396： 2006-2017.

［8］ GBD 2015 Neurological Disorders Collaborator Group. Global， regional， and national burden of neurological disorders during 1990-2015： a systematic analysis for the Global Burden of Disease Study 2015［J］. Lancet Neurol. 2017， 16（11）： 877-897.

［9］ Tu W J， Wang L D， Special Writing Group of China Stroke Surveillance Report. China stroke surveillance report 2021［J］. Mil Med Res， 2023， 10（1）： 33.

［10］ Takahashi S， Kokudai Y， Kurokawa S， et al. Prognostic evaluation of branch atheromatous disease in the pons using carotid artery ultrasonography［J］. J Stroke Cerebrovasc Dis， 2020， 29（7）： 104852.

［11］ Deguchi I， Takahashi S. Pathophysiology and optimal treatment of intracranial branch atheromatous disease［J］. J Atheroscler Thromb， 2023， 30（7）： 701-709.

［12］ Nagasawa J， Suzuki K， Hanashiro S， et al. Association between middle cerebral artery morphology and branch atheromatous disease［J］. J Med Invest， 2023， 70（3.4）： 411-414.

［13］ Senda J， Ito K， Kotake T， et al. Investigation of inpatient convalescent rehabilitation outcomes in branch atheromatous disease［J］. J Stroke Cerebrovasc Dis， 2023， 32（3）： 106937.

［14］ Bonkhoff A K， Grefkes C. Precision medicine in stroke： towards personalized outcome predictions using artificial intelligence［J］. Brain， 2022， 145（2）： 457-475.

［15］ Sheth S A， Giancardo L， Colasurdo M， et al. Machine learning and acute stroke imaging［J］. J Neurointerv Surg， 2023， 15（2）： 195-199.

［16］ Bao H， Li J， Zhang B， et al. Integrated bioinformatics and machine-learning screening for immune-related genes in diagnosing non-alcoholic fatty liver disease with ischemic stroke and RRS1 pan-cancer analysis［J］. Front Immunol， 2023， 14： 1113634.

［17］ Sirsat M S， Fermé E， C?mara J. Machine learning for brain stroke： a review［J］. J Stroke Cerebrovasc Dis， 2020， 29（10）： 105162.

［18］ Campagnini S， Arienti C， Patrini M， et al. Machine learning methods for functional recovery prediction and prognosis in post-stroke rehabilitation： a systematic review［J］. J Neuroeng Rehabil， 2022， 19（1）： 54.

［19］ Alaka S A， Menon B K， Brobbey A， et al. Functional outcome prediction in ischemic stroke： a comparison of machine learning algorithms and regression models［J］. Front Neurol， 2020， 11： 889.

［20］ 陳娜， 楊海華， 吳海威， 等. 靜脈溶栓治療急性穿支動脈閉塞腦梗死的影響因素［J］. 河北醫藥， 2023， 45（14）： 2100-2105.

Chen N， Yang H H， Wu H W， et al. Analysis of influencing factors for the therapeutic efficacy of intravenous thrombolysis on acute cerebral infarction caused by perforating artery occlusion and the prognosis［J］. Hebei Med J， 2023， 45（14）： 2100-2105.

（收稿日期：2023-12-03）

（本文編輯：洪悅民）