Data Management And Sharing System of China National Clinical Research Center for Neurological Diseases

Journal：中国卒中杂志

Publication type: Original Contributions

IF(IF): 0

PMID: 10.3969/j.issn.1673-5765.2021.09.005 Link To Pubmed Full text Download

背景：卒中是我国中国患者居民最主要的死因死亡和成人致残的疾病之一。缺血性卒中是中国卒中最常见的亚型，占所有卒中比高达的69.6%，约15~30%的患者仍遗留不同程度的神经功能残疾。 此类患者的预后差，致残及复发降低了患者及其家属的生活质量。研究表明，患者的年龄、性别、既往病史、吸烟史、饮酒史、并发症和实验室指标，都有可能会影响缺血性卒中患者的功能预后，建立功能预后的风险模型能够帮助医生临床医师预测和筛选出可能卒中后神经功能预后不良的个体，制定订更有针对性的康复等治疗方案。目前的现有预测模型包括有预测血管再通治疗预后的改良休斯敦动脉内血管再通治疗评分（Houston Intra-Arterial Therapy 2 score，HIAT2）HIAT2（Houston Intra-Arterial Therapy 2 score）评分、匹兹堡血管内治疗反应评分（Pittsburgh response to endovascular therapy，PRE） PRE （Pittsburgh Response to Endovascular therapy score）评分等，以及结合实验室检查及影像学的评分等，但目前能利应用与于临床实践的卒中功能预后预测模型较少。 目的：使用Logistic回归和基于机器学习的Logistic回归、CatBoost、XGBoost、LightGBM四三种算法，建立神经功能预后预测模型，并评价和比较模型的预测价值。

本研究使用CNSRⅡ数据库。将纳入的研究对象按8:2随机分为训练集和测试集。正态分布的计量资料采用均数±标准差表示，组间比较采用t检验；非正态分布的计量资料采用中位数（四分位数间距）表示，组间比较采用Wilcoxon检验；计数资料用频数和百分比表示，组间比较采用卡方检验。以结局变量（mRS）为因变量，预测变量（危险因素）为自变量分析训练集。传统预测模型采用非条件Logistic回归的方法，采用单因素Logistic回归，选取其中P<0.1的危险因素纳入多因素分析，使用逐步回归法，以P<0.05为最终纳入预测模型的标准。机器学习采用Boruta算法筛选特征，流程如下：①对特征矩阵的各个特征取值进行随机打乱，将随机打乱后的特征（shadow features）与原特征（real features）拼接构成新的特征矩阵；②使用新特征矩阵作为输入，训练可以输出特征重要性的模型；③计算新特征与原特征的Z值；④在新特征中找出最大Z值记为Zmax；⑤Z值大于Zmax的原特征标记为重要，小于Zmax的原特征标记为不重要，并从特征集合中永久剔除；⑥删除所有打乱后的特征；⑦重复上述过程，直到所有特征都被标记为重要或者不重要。使用Boruta算法选出的变量，采用Catboost、XGBoost、LightGBM三种机器学习的方法分别建立预测模型。最后在测试集内对训练集建立的模型进行内部验证。模型评价指标包括ROC曲线下面积（area under the curve，AUC）、敏感度和特异度，采用Delong检验比较四种模型的曲线下面积。以上统计均采用双侧检验，以P＜0.05为差异具有统计学意义。