Page 85 - 南京医科大学自然版

第44卷第5期 叶 倩，杨 云，徐文韬，等. 基于可解释机器学习构建脑卒中患者日常生活自理能力风险预测模型［J］.
2024年5月 南京医科大学学报（自然科学版），2024，44（5）：672-680 ·673 ·

curve（PRAUC），accuracy，sensitivity，and specificity. The Shapley additive interpretation（SHAP）was introduced to interpret the
optimal machine learning model. Results：After LASSO regression analysis，16 feature variables were identified for constructing the
machine learning model. The RF model demonstrated superior performance with the highest AUC（0.74），PRAUC（0.64），accuracy
（0.97），sensitivity（0.75），and specificity（0.97）. Interpretive analysis of the SHAP model revealed that among the top 5 features
contributing to ADL，Brunnstrom stage（lower limb）exerted the most significant effect，followed by Brunnstrom stage（upper limb），D⁃
dimer，serum albumin level，and age. Conclusion：The RF model emerged as the most effective in predicting ADL in stroke patient，

providing valuable references for ADL management decisions in stroke patients.
［Key words］ machine learning；predictive modeling；stroke；activities of daily living
［J Nanjing Med Univ，2024，44（05）：672⁃680］

脑卒中是一种由于脑部血管突然破裂或因血 18~85 周岁；③临床及实验室医疗记录相对完整。
管阻塞导致血液不能流入大脑的急性脑血管疾病， 排除标准：①合并下肢骨折病史；②合并严重的心、
超过 75%的脑卒中患者会留下不同程度的功能障 肺、肝脏等其他系统严重疾病；③既往有下肢深静
碍，其中超过 42.3%的患者会留下残疾导致生活不 脉血栓；④临床电子医疗记录不完整。本研究经南
能自理，是我国成人致残、致死的首要病因 ［1-2］ 。及 京医科大学附属第一医院伦理委员会批准通过（伦
时早期识别影响脑卒中患者日常生活自理能力 理号：2023⁃SR⁃104），并知情同意。
（activities of daily living，ADL）的风险因素，对提高 1.2 方法
患者脑卒中后生活自理能力，改善生活质量，促进 1.2.1 数据收集
患者更好地回归家庭及社会至关重要 。 依据专家意见及相关文献查阅 ［4-8］ ，筛选与ADL
［3］
影响脑卒中患者 ADL 的因素众多，包括年龄、 相关的41个预测变量，除患者下肢深静脉血栓检查
性别、损伤部位、肢体功能、既往史、有无静脉血栓、 为入院后 3 d 内完成，其余变量采集时间均为入院
营养状况等 ［4-8］ 。目前脑卒中后患者的 ADL 大都依 24 h 内（所有康复评估指标均由高年资康复专业人
靠人工判断，医生的临床经验和一些主观因素均会 员评定）。主要包括：①人口统计学特征：性别、年
影响最终的判断结果，因此开发简单、易于推广的 龄；②现病史：脑卒中部位、脑卒中类型、病程等3个
脑卒中后患者 ADL 风险预测模型具有重要的临床 指标；③既往史：高血压病史、糖尿病病史、既往脑卒
意义。随着大数据、人工智能等技术在医学领域的 中病史等3个指标；④个人史：吸烟史、饮酒史；⑤康
广泛应用，机器学习（machine learning，ML）技术目 复评估指标：Brunnstrom分期（上肢、手、下肢）、小腿
前已被应用于探讨影响康复效果的因素、预测康复 三头肌肌张力等4个指标；⑥临床用药指标：抗凝药
效果等 ［9-12］ 。ML 中的算法非常有助于做出准确的 物服用史、抗血小板聚集药物服用史；⑦实验室检查
预测和给出正确的分析，利用ML技术，医生可以更 指标：血清载脂蛋白（lipoprotein，Lpa）、低密度脂蛋白
快地确认患者病症，为患者的后续治疗争取时间， （low density lipoprotein cholesterol，LDL⁃C）、高密度脂
因此该技术具有重要的研究意义。本研究旨在通 蛋白（high density lipoprotein cholesterol，HDL⁃C）、总
过 ML 算法精准识别脑卒中患者 ADL 的高风险因 胆固醇（total cholesterol，TC）、甘油三酯（triglyceride，
素，以更好地辅助临床决策和治疗。 TG）、血清白蛋白（albumin，ALB）、血清总蛋白（total
protein，TP）、血小板压积（plateletcrit，PCT）、血小板
1 对象和方法
体积分布宽度（platelet distribution width，PDW）、血
1.1 对象 小板平均容积（mean platelet volume，MPV）、血小板
本研究是一项回顾性、观察性研究，以 2015 计数（blood platelet count，PLT）、红细胞平均血红蛋
年 1 月—2019年2月在南京医科大学附属第一医院 白浓度（mean corpuscular hemoglobin concentration，
康复医学中心的脑卒中患者为研究对象。纳入标 MCHC）、平均红细胞血红蛋白（mean corpuscular

准：①经头颅计算机断层扫描（computed tomogra⁃ hemoglobin，MCH）、血红蛋白（hemoglobin，HGB）、红
phy，CT）或磁共振成像（magnetic resonance imaging， 细胞分布宽度（coefficient of variation of erythrocyte
MRI）扫描诊断为脑卒中（缺血性或出血性）；②年龄 distribution width，RDW⁃CV）、红细胞平均容量（mean