卒中预后量表对前、后循环缺血性卒中短期预后不良的预测价值研究

目的 通过比较不同卒中预后量表预测前、后循环急性缺血性卒中患者发病3个月预后的效度,为不同类型缺血性卒中寻找能够更准确预测预后的评分工具,以期更好地辅助临床决策。      

机器学习基于不平衡数据预测急性新发缺血性卒中患者院内死亡模型研究

目的 探索利用机器学习基于不平衡数据预测急性新发缺血性卒中患者的院内死亡风险,并比较 机器学习模型和传统logistic模型的预测性能。 方法 以中国卒中联盟多中心登记数据库中急性新发缺血性卒中患者为研究对象,分别基于机器学 习[XGBoost模型、CatBoost模型、随机森林模型、支持向量机（support vector machine,SVM）模型]和传 统logistic方法构建患者院内死亡预测模型。按照7∶3比例随机分为训练集和测试集,训练集用于构建 预测模型,测试集用于评价模型效果。采用欠采样技术和平衡权重的方法处理死亡结局的不平衡 数据。模型的评价指标包括区分度指标ROC中AUC和校准度指标Brier分数。 结果 共纳入601 466例急性新发缺血性卒中的患者,女性231 235例（38.45%）,院内死亡2206 例（0.37%）。logistic模型、XGBoost模型、CatBoost模型、随机森林模型、SVM模型预测患者院内死亡的 AUC分别是0.913±0.000、0.921±0.000、0.919±0.001、0.925±0.000和0.900±0.001,其中XGBoost模 型（P =0.0002）、CatBoost模型（P =0.0094）和随机森林模型（P＜0.0001）的预测性能优于logistic模型, logistic模型表现优于SVM模型（P =0.0029）。logistic模型、XGBoost模型、CatBoost模型、随机森林模型、 SVM模型的Brier分数分别为0.115±0.001、0.096±0.001、0.093±0.001、0.084±0.000和0.045±0.001, 机器学习模型的校准度均优于logistic模型,差异有统计学意义。 结论 平衡数据处理后,机器学习模型和传统logistic模型预测急性新发缺血性卒中患者院内死亡风 险表现均良好且稳定,其中,随机森林模型的预测性能最佳,SVM模型的校准度最佳。     

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

目的 探讨基于机器学习算法XGBoost构建缺血性卒中发病3个月死亡预测模型的应用价值。 方法 选择中国国家卒中登记（China National Stoke Registry，CNSR）数据库中缺血性卒中患者为研 究对象。按照7∶3比例随机分为训练集和测试集，训练集用于构建预测模型，测试集用于评价模型效 果。分别采用XGBoost和Logistic回归方法构建缺血性卒中发病3个月死亡预测模型，通过ROC曲线下面 积（area under the curve，AUC）评价两种模型的预测价值。 结果 共纳入10 645例缺血性卒中患者，平均年龄65.18±12.23岁，女性4045例（38.0%），入院 NIHSS评分4（2～9）分,3个月死亡患者447例（4.48%）。XGBoost和Logistic回归预测模型的AUC分别为 0.8539、0.8278（P =0.0835），灵敏度分别为0.7413、0.7133，特异度分别为0.8286、0.8040。 结论 基于机器学习算法XGBoost构建的缺血性卒中死亡预测模型表现良好且稳定。     

某高校大学生性意向及其影响因素分析

目的 了解苏州市某高校大学生性行为发生现状,探讨大学生性行为的主要影响因素并提出相应对策。方法 对苏州市某高校学生进行自填式问卷调查,调查内容包括学生的基本情况,性行为发生现状,性相关行为及态度。本次调查共发放问卷950份,回收问卷919份,有效回收率96.7%。结果 ⑴调查的学生中,17.7%有过性行为。男生发生性行为的比率要高于女生(24.1%>11.9%),随着年龄增长发生性行为的比率升高(24.0%>12.1>7.8%)。在校外住宿及曾有过离家外出居住史的大学生发生性行为的比率高于其他。⑵logistic回归分析显示,高年龄组、男生、每月消费支出较低、喜欢社交、有过自慰、接受恋人有过性行为、认为不怀孕发生性关系没有影响、愿意与友人分享性经历是影响大学生发生性行为的危险因素。结论 大学生性行为的发生普遍存在,引起的不良后果已不能忽视,应引起社会、学校、家庭的高度重视,应采取综合性干预措施,促进学生身心健康。     

基于机器学习的新发急性缺血性卒中患者1年功能预后预测研究

目的 建立基于机器学习算法的新发急性缺血性卒中（acute ischemic stroke,AIS）患者1年预后的预测模型,为相关研究和临床工作提供借鉴。      

基于机器学习预测血糖异常急性缺血性卒中患者预后模型研究

目的     建立基于机器学习的血糖异常急性缺血性卒中患者的预后预测模型，比较传统logistic模型与机器学习模型的预测效能。     

急性缺血性卒中患者行阿替普酶静脉溶栓治疗住院期间脑出血预测模型研究

目的 基于机器学习算法对急性缺血性卒中（acute ischemic stroke，AIS）或TIA患者行rt-PA静脉溶栓治疗住院期间脑出血的发生情况进行预测，并探索影响rt-PA溶栓治疗后脑出血发生的危险因素。方法 纳入中国卒中中心联盟（Chinese Stroke Center Alliance，CSCA）2016年1月—2020年12月登记的被初步诊断为AIS或TIA且接受rt-PA静脉溶栓治疗的患者74 654例，平均年龄为（65.55±12.14）岁，其中，男性患者48 493例（64.96%），住院期间发生脑出血患者2038例（2.73%）。将数据按年份划分为训练集和测试集，即2016—2019年登记患者划分为训练集，2020年登记患者划分为测试集，采用原型选择下采样技术对训练集数据正负样本进行77∶100平衡处理，构建了逻辑回归、极致梯度提升（extreme gradient boosting，XGBoost）、随机森林、梯度提升决策树（gradient boosting decision tree，GBDT）和分类梯度提升（categorical boosting，CatBoost）共5个模型对脑出血结局进行预测，并使用AUC、灵敏度、特异度、Brier评分等指标对模型预测效果进行评价和比较，采用SHAP图对机器学习模型筛选出的特征进行可解释性分析。 结果 XGBoost、GBDT、CatBoost、逻辑回归和随机森林模型的AUC值分别为0.770（95%CI 0.745～0.774）、0.766（95%CI 0.753～0.786）、0.765（95%CI 0.752～0.766）、0.758（95%CI 0.747～0.761）和0.757（95%CI 0.739～0.759），灵敏度分别为0.624（95%CI 0.574～0.672）、0.606（95%CI 0.555～0.655）、0.570（95%CI 0.519～0.620）、0.557（95%CI 0.506～0.607）和0.585（95%CI 0.534～0.635），特异度分别为0.780（95%CI 0.773～0.786）、0.785（95%CI 0.778～0.791）、0.790（95%CI 0.783～0.796）、0.805（95%CI 0.799～0.811）和0.769（95%CI 0.762～0.776），Brier评分分别为0.157、0.154、0.156、0.160和0.161分。通过SHAP图解释结果发现，住院NIHSS评分高、年龄大、空腹血糖水平高、既往心房颤动病史、血小板计数低、发病距溶栓治疗时间窗长、BMI低、就诊时NIHSS评分高等特征为rt-PA溶栓治疗住院期间发生脑出血的危险因素。结论 基于机器学习构建的预测模型对行rt-PA静脉溶栓治疗的AIS患者住院期间脑出血的发生具有一定预测效果，本研究对未来机器学习技术在脑出血预测领域的应用有一定探索价值。