Page 91 - 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 ·679 ·

蛋白质营养状况常用的指标之一，可用于评价营养不 es for people with acute stroke［J］. Cochrane Database
良的程度，目前ALB与脑卒中患者预后的关系无法 Syst Rev，2017，7（7）：CD000443
给出统一结论 ［25-26］ 。本研究表明，ALB 水平接近 35 ［7］ VEERBEEK J M，KWAKKEL G，VAN WEGEN E E，et
g/L后患者ADL显著提高，当ALB达到40 g/L后对脑 al. Early prediction of outcome of activities of daily living
after stroke：a systematic review［J］. Stroke，2011，42（5）：
卒中后患者ADL的提高趋于平缓，提示在临床康复
1482-1488
过程中应加强蛋白摄入，尽量将患者 ALB 提高到
［8］ FAST L，TEMUULEN U，VILLRINGER K，et al. Machine
40 g/L，至少达到35 g/L。排在第5位的是年龄，尤其
learning⁃based prediction of clinical outcomes after first⁃
是 20~40 岁之间，随着年龄的增大，ADL 大幅度下
ever ischemic stroke［J］. Front Neurol，2023，14：1114360
降，60岁之后，年龄对ADL的影响较前下降。 ［9］ NANAYAKKARA S，FOGARTY S，TREMEER M，et al.
本研究围绕脑卒中后 ADL 相关影响因素进行 Characterising risk of in⁃hospital mortality following cardi⁃
分析，基于 ML 构建了 5 个模型，对于预测卒中患者 ac arrest using machine learning：a retrospective interna⁃
ADL 的最佳模型进行了解释性分析。另外，传统 tional registry study［J］. PLoS Med，2018，15（11）：
ML 可以处理海量、高维的复杂数据，但无法获知 e1002709
预测结果与各个特征变量之间的量效关系，本研 ［10］陈思玎，刘 欢，黄馨莹，等. 基于机器学习算法构建缺
血性卒中 3 个月死亡预测模型研究［J］. 中国卒中杂
究借助 Shapley 法着重解决了这个问题，通过把每
志，2020，15（6）：595-599
例患者的预测过程可视化来使医师和患者更清楚
［11］HEO J，YOON J G，PARK H，et al. Machine learning ⁃
地了解主要的危险因素，进而实施个性化的二级
based model for prediction of outcomes in acute stroke［J］.
预防措施。本研究也存在一定局限性。首先，本
Stroke，2019，50（5）：1263-1265
研究为单中心回顾性研究，仍需多中心前瞻性临 ［12］CAMPAGNINI S，ARIENTI C，PATRINI M，et al. Ma⁃
床实验验证模型的准确性；其次，在本研究的模型 chine learning methods for functional recovery prediction
中，可以看出 ADL 可能受多种因素影响，不同区 and prognosis in post⁃stroke rehabilitation：a systematic
域、患者家庭水平（收入、学历）等可能对结果产生 review［J］. J Neuroeng Rehabil，2022，19（1）：54
一定影响。因此本研究结果仍需要引进外部数据 ［13］宋华隆，牛博真，曹 颖. 针刺结合运动再学习康复疗
进行验证。 法对脑卒中后神经功能恢复的疗效观察［J］. 中华中医
药学刊，2024，42（1）：78-81
综上所述，RF模型预测卒中后患者ADL效能最
［14］KAMONO A，OGIHARA N. Weight⁃shift ability signifi⁃
优，可为提高脑卒中后患者ADL的决策提供参考。
cantly correlates with walking velocity in post ⁃ acute
［参考文献］ stroke patients［J］. Proc Inst Mech Eng H，2018，232（4）：
［1］ MA Q F，LI R，WANG L J，et al. Temporal trend and at⁃ 361-370
［15］姜璧珺，陈 瑶，于培雁，等. 下肢评估训练康复系统提
tributable risk factors of stroke burden in China，1990 ⁃
高脑卒中患者下肢平衡功能的疗效评估［J］. 中国康复
2019：an analysis for the Global Burden of Disease Study
2019［J］. Lancet Public Health，2021，6（12）：e897-e906 医学杂志，2021，36（6）：728-731
［2］《中国脑卒中防治报告》编写组.《中国脑卒中防治报告 ［16］POLESE J C，ADA L，TEIXEIRA⁃SALMELA L F. Rela⁃
2019》概要［J］. 中国脑血管病杂志，2020，17（5）：272- tionship between oxygen cost of walking and level of walk⁃
281 ing disability after stroke：an experimental study［J/OL］.
［3］ SINGER J，GUSTAFSON D，CUMMINGS C，et al. Inde⁃ Physiother Res Int，2018［2018⁃03⁃22］. DOI：10.1002/
pendent ischemic stroke risk factors in older Americans： pri.1688
［17］曲斯伟，朱 琳，严 莉，等. 基于改良分级运动想象的
a systematic review［J］. Aging，2019，11（10）：3392-3407
［4］ LIN W Y，CHEN C H，TSENG Y J，et al. Predicting post⁃ 康复训练对脑卒中患者上肢功能改善的疗效分析［J］.
stroke activities of daily living through a machine learning 中国康复医学杂志，2023，9（8）：1084-1089
⁃based approach on initiating rehabilitation［J］. Int J Med ［18］LU Q，MÅRTENSSON J，ZHAO Y，et al. Living on the
Inform，2018，111：159-164 edge：family caregivers’experiences of caring for post ⁃
［5］ 黄志萍，苏 娅，陈秀红，等. 脑卒中患者日常生活活动 stroke family members in China：a qualitative study［J］.
能力及其影响因素［J］. 中国老年学杂志，2015，35 Int J Nurs Stud，2019，94：1-8
（10）：2663-2665 ［19］GHAZIANI E，COUPPÉ C，SIERSMA V，et al. Electrical
［6］ LANGHORNE P，BAYLAN S，EARLY SUPPORTED DIS⁃ somatosensory stimulation in early rehabilitation of arm
CHARGE TRIALISTS. Early supported discharge servic⁃ paresis after stroke：a randomized controlled trial［J］. Neu⁃