基于Logistic回归与XGBoost构建缺血性卒中院内复发风险预测模型的初步比较研究

目的 基于Logistic回归和XGBoost方法构建缺血性卒中院内复发风险预测模型，并进行初步比较。 方法 利用中国国家卒中登记Ⅱ（China National Stoke Registry Ⅱ，CNSRⅡ）数据库中按医嘱离院的 缺血性卒中患者数据，分别基于Logistic回归和XGBoost方法构建缺血性卒中院内复发风险预测模型。 备选的预测因子包括人口学特征、卒中严重程度、既往病史、用药史以及临床测量指标。模型的评价 指标包括ROC曲线下面积（area under the cure，AUC）、校准截距、校准斜率以及Brier得分。所有统计 分析均在R（3.6.2版）中完成。 结果 最终纳入17 227例符合条件的患者，平均年龄64.72±11.84岁，女性6317例（36.7%），发病前 mRS评分为0或1分的病例14 482例（84.1%），入院NIHSS评分4（2～6）分，院内卒中复发444例（2.6%）。 预测模型识别的前三位强预测因子，在Logistic回归中为发病前mRS评分、心房颤动及卒中史；在 XGBoost中为发病前mRS评分、心房颤动及总胆固醇。Logistic回归预测模型与XGBoost预测模型的AUC无 显著差异（0.63，95%CI 0.58～0.68 vs 0.64，95%CI 0.59～0.68，P =0.9229）。Logistic预测模型校准截 距、校准斜率以及Brier得分分别为-0.81、0.76和0.03；XGBoost预测模型的校准截距、校准斜率以及 Brier得分分别为-1.37、1.20和0.38。Logistic预测模型校准度更好。 结论 利用CNSRⅡ数据构建的缺血性卒中院内复发风险预测模型应用中，基于XGBoost方法构建的 预测模型相比Logistic回归构建的预测模型的区分度没有显著差异，但校准度略低。     

单核细胞/高密度脂蛋白比值联合Hcy对高龄缺血性脑卒中患者复发的预测价值

目的 探讨单核细胞/高密度脂蛋白比值（MHR）联合同型半胱氨酸（Hcy）对老年急性缺血性脑卒中（AIS）复发的预测价值。方法 选择2017-12—2019-12西部战区总医院诊治的高龄AIS患者115例,随访2 a,根据是否复发AIS分为复发组（n=29）和未复发组（n=86）,比较2组患者MHR、Hcy水平,采用受试者工作特征（ROC）曲线检验MHR、Hcy对高龄AIS患者卒中复发的预测价值,收集2组患者临床资料,采用Logistic回归法分析影响高龄AIS患者卒中复发的危险因子。结果 复发组患者MHR、Hcy水平明显高于非复发组（P<0.01）;ROC曲线分析显示,MHR联合Hcy预测高龄AIS患者卒中复发的ROC曲线下面积（AUC）为0.832(95%CI:0.751～0.895),高于单独MHR(AUC为0.664)、Hcy(AUC为0.678)预测（P<0.05）;多因素Logistic回归分析显示年龄增高、有吸烟史、基线改良Rankin量表（mRS）mRS评分、基线美国国立卫生研究院卒中量表（NIHSS）评分及MHR、Hcy水平升高、颈动脉狭窄程度加重是高龄AI...     

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。     

社区严重精神障碍患者危险行为发生风险预测模型

背景 严重精神障碍患者危险行为发生率较一般人群更高,我国对社区严重精神障碍患者危险行为发生风险的预测研究尚不多见,尤其缺乏除传统预测方法之外的数据挖掘技术预测模型的研究和比较。目的 采用Logistic回归分析及分类决策树构建社区严重精神障碍患者危险行为发生风险的预测模型,检验分类决策树模型是否优于Logistic回归模型。方法 于2023年12月,选取2013年—2022年随访记录完整的11 484名社区严重精神障碍在管患者,按8∶2随机分为训练集（n=9 186）与测试集（n=2 298）。在训练集中,分别使用Logistic回归分析和分类决策树建立预测模型,在测试集评价模型的区分度和校准度。结果 1 115例（9.71%）严重精神障碍患者在随访期间出现危险行为。Logistic回归分析结果显示,城市户籍、贫困、有监护人、精神残疾、危险行为史阳性、自知力不全、自知力缺失、有阳性症状是患者发生危险行为的危险因素（OR=1.778、1.459、2.719、1.483、3.890、1.423、2.528、2.124,P均<0.01）;年龄≥60岁、受过教育、医嘱无需用药以及社会功...     

基于机器学习算法的脑出血相关肺炎预测模型研究

目的 建立基于机器学习的脑出血相关肺炎预测模型。 方法 选择中国国家卒中登记Ⅱ（China National Stoke Registry Ⅱ,CNSRⅡ）数据库中发病7 d内的急 性脑出血住院患者为研究对象,登记时间为2012年5月-2013年1月,研究覆盖我国219家医院。研究对 象按照8∶2比例随机分为训练集和测试集。采用多因素Logistic回归分析,筛选出候选预测因子。应用 基于机器学习的Logistic回归、CatBoost、XGBoost和LightGBM算法构建诊断预测模型,比较4种方法构建 的模型对脑出血相关肺炎的预测诊断价值。 结果 本研究共筛选2303例患者,平均年龄62.1±12.7岁,其中男性占62.1%。患者随机分为训 练集（n =1841）和测试集（n =462）,两组脑出血相关肺炎发生率分别为15.6%和15.8%（χ 2=0.007, P =0.934）。根据多因素Logistic回归分析,候选预测因子为年龄（OR 1.03,95%CI 1.02～1.04）、NIHSS 评分（OR 1.02,95%CI 1.00～1.04）、白细胞计数（OR 1.11,95%CI 1.07～1.16）和吞咽功能障碍（OR 6.85,95%CI 5.01～9.39）。Logistic回归、CatBoost、XGBoost和LightGBM四种模型灵敏度分别为75.34%、 50.68%、80.82%和80.82%;特异度分别为68.64%、86.12%、52.96%和57.33%;ROC曲线下面积分别 为0.776、0.692、0.736和0.767。Logistic回归和LightGBM模型诊断效果显著高于CatBoost和XGBoost模型 （DeLong test,P <0.05）。 结论 基于机器学习建立的脑出血相关肺炎风险预测模型有较高的诊断价值,年龄、NIHSS评分、白 细胞计数和吞咽功能障碍为模型的候选预测因子,可将模型纳入脑出血相关肺炎诊断决策。本研究 结果的临床应用价值有待于更大样本的外部队列进行验证。     

原发性脑出血并发认知障碍列线图模型的构建与验证

目的 探讨原发性脑出血患者并发认知功能障碍的影响因素，构建预测模型并验证。方法 采用便利抽样法，回顾性分析2019年6月至2022年6月南京医科大学第一附属医院神经外科收治的195例原发性脑出血患者的资料。所有患者出院后均随访≥6个月，采用蒙特利尔认知评估量表（MoCA）、简易精神状态检查（MMSE）在随访期间评估患者的认知功能，根据MoCA评分分为并发认知障碍组（n=120）和未并发认知障碍组（n=75）。采用二项Logistic回归分析筛选原发性脑出血患者并发认知障碍的影响因素，并构建列线图预测模型，使用一致性系数（C-index）和校准曲线评估列线图模型的预测效能和符合度。结果 两组患者的年龄、文化程度、出院时美国国立卫生院卒中量表（NIHSS）评分、合并癫痫、合并去骨瓣减压、重症监护情况、出血部位比较，差异有统计学意义（P<0.05）。二项Logistic回归分析结果显示，年龄>60岁（OR=4.689,95%CI=1.420～15.470,P=0.011）、有癫痫病史（OR=3.007,95%CI=1.270～7.118,P=0.012）、出院NIHSS评分>...     

基于NHANES数据库开发和验证卒中后抑郁风险的临床预测模型

目的 基于美国国家健康和营养检查调查（NHANES）数据库开发、验证以非侵入方法评估卒中幸存者发生卒中后抑郁（PSD）的列线图，为临床早期筛选高危人群提供有价值的参考。方法 从NHANES数据库中选取2007—2018年调查的1 003例卒中幸存者为研究对象，将2007—2014年调查的659例卒中幸存者纳入建模组，将2015—2018年调查的344例卒中幸存者纳入验证组。采用患者健康问卷（PHQ-9）评估卒中幸存者的抑郁症状。采用多因素Logistic回归分析卒中幸存者发生PSD的影响因素。将多因素Logistic回归分析中P<0.10的预测因子纳入列线图，采用受试者工作特征（ROC）曲线下面积（AUC）和校准曲线评价列线图的预测性能，采用决策曲线分析探究列线图的临床应用价值。结果 在1 003例卒中幸存者中，共190例（18.94%）被评估为有抑郁症状（PHQ-9≥10分），其中建模组124例（18.82%），验证组66例（19.19%）。多因素Logistic回归分析结果表明，女性（OR=1.671,95%CI=1.040～2.684）、有睡眠障碍（OR=2.797,95%...     

Essen评分在TIA、缺血性小卒中与大卒中 患者中预测效度的比较

目的 比较Essen卒中风险分层量表（Essen Stroke Risk Score,ESRS）预测短暂性脑缺血发作（transient
ischemic attack,TIA）、缺血性小卒中和缺血性大卒中患者的卒中复发和联合血管事件发生的效度。
方法 以前瞻性、多中心中国国家卒中登记研究（China National Stroke Registry,CNSR）中连续录入
的11 384例完成1年随访的TIA、非心房颤动性缺血性卒中的住院患者为研究人群,小卒中定义为入院
时缺血性卒中患者的美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale,NIHSS）
评分≤3分,大卒中定义为NIHSS评分＞3分。采用曲线下面积（area under the curve,AUC）评价ESRS对
TIA、缺血性小卒中和大卒中患者进行卒中复发和联合血管事件复发风险的分层能力,预测卒中复发
和联合血管事件发生的效度。
结果 本研究有1061例TIA,3254例小卒中,7069例大卒中患者。在TIA患者中,ESRS预测卒中复发
AUC=0.57,预测联合血管事件AUC=0.56;小卒中患者中,ESRS预测卒中复发的AUC=0.58,预测联合
血管事件AUC=0.59;大卒中患者中,ESRS预测卒中复发的AUC=0.60,预测联合血管事件AUC=0.60。
结论 ESRS评分对大卒中的卒中复发/联合血管事件发生的预测效度最高,其次是对小卒中,在TIA
中预测效度最低,但是三组人群中差异无显著性。     

交通性脑积水脑室-腹腔分流术后迟发性颅内出血发生风险的列线图预测模型构建与评估

目的探讨交通性脑积水（CHP）脑室-腹腔分流（VPS）术后迟发性颅内出血（DICH）发生的危险因素,构建预测术后DICH发生的列线图模型,并对模型的预测效果予以评估。 方法选取淮安市第二人民医院神经外科自2016年2月至2021年8月行VPS术的307例CHP患者为研究对象进行病例对照研究,根据术后是否发生DICH分为DICH组（49例）和对照组（258例）。收集所有患者的基本资料（包括年龄、性别、原发病、是否合并基础疾病、既往颅脑手术史、抗凝药使用史、有无颅骨缺损等）及治疗信息（穿刺侧别、1周内调节分流阀门）行单因素分析,通过多因素Logistic回归分析确定术后CHP的危险因素,并通过受试者工作特征（ROC）曲线和校准曲线评估列线图模型的预测能力。另选取104例行VPS术的CHP患者为验证集,并对列线图模型做外部验证。 结果DICH组年龄、既往颅脑手术史比例、颅骨缺损比例、1周内调节分流阀门比例明显较对照组高（P<0.05）;Logistic回归分析结果显示,年龄、既往颅脑手术史、颅骨缺损、1周内调节分流阀门是CHP患者VPS术后DICH发生的主要危险因素（P<0.05）;ROC曲线分析结果显示,构建的CHP患者VPS术后DICH发生的列线图预测模型具有较好的区分度[曲线下面积（AUC）为0.858,95%CI：0.804~0.913]和精准度（拟合优度HL检验χ²=7.831,P=0.396）;104例行VPS术的CHP患者中16例发生DICH,发生率为15.38%,外部验证中AUC为0.792（95%CI：0.729~0.855）,校准曲线拟合优度HL检验（χ²=8.319,P=0.351）,提示精准度较高。 结论基于年龄、既往颅脑手术史、颅骨缺损、1周内调节分流阀门4项危险因素构建的CHP患者VPS术后DICH发生的列线图模型具有较高的预测效能。     

老年脑卒中患者营养风险指数对30天非计划再入院的预测价值

目的 探讨老年营养风险指数（GNRI）与老年脑卒中患者非计划再入院（再入院）的关 系。方法 回顾性分析 2019 年 6 月至 2022 年 5 月江苏省盐城市第三人民医院收治的 307 例老年脑卒 中患者的临床资料。根据所有患者的 GNRI 中位数，将患者分为 GNRI 正常组（GNRI ≥ 92）和低 GNRI 组（GNRI ＜ 92）。使用倾向性评分匹配法（PSM）得到年龄、入院时白蛋白等 13 个变量均衡的两组样本， 采用 Logistic 回归分析 PSM 前后 GNRI 对再入院的影响，采用受试者工作特征（ROC）曲线下面积（AUC） 评价单独及校正其他协变量后 GNRI 对再入院的预测价值。结果 307 例老年脑卒中患者的 GNRI 为 （92.62±25.30），GNRI 正常患者 133 例，占 43.32%。PSM 后，共 126 对匹配成功，两组患者的年龄、体重 指数、合并糖尿病、住院时间、手术治疗比例、白蛋白等临床资料比较，差异无统计学意义（P＞ 0.05）。 PSM 后，低 GNRI 组的再入院率为 28.57%（36/126）高于 GNRI 正常组的 11.90%（15/126），差异有统计学意 义（χ2 =10.841，P=0.001）。PSM 后的 Logistic 回归分析显示，仅纳入 GNRI 的模型 1 中，低 GNRI 患者的再 入院风险较 GNRI 正常者增加 2.232 倍（OR=3.232，95%CI：1.701～6.138，P=0.001）；在校正了年龄、性别 后的模型 2 中，低 GNRI 患者的再入院风险较 GNRI 正常者增加 2.206 倍（OR=3.206，95%CI：1.674～6.138， P=0.001）；在校正了年龄、性别等所有变量后的模型 3 中，低 GNRI 患者的再入院风险较 GNRI 正常者分 别增加 2.052 倍（OR=3.052，95%CI：1.469～6.339，P=0.003）。ROC 曲线分析显示，模型 1 预测患者再入 院的AUC为 0.821（95%CI：0.755～0.886），采用模型 2、3 校正协变量后预测再入院的AUC分别为 0.828 （95%CI：0.770～0.886）、0.847（95%CI：0.797～0.898），模型 3 的AUC高于模型 1、2，差异有统计学意义 （Z=3.036、2.457；P=0.002、0.014）。结论 GNRI 可有效预测老年脑卒中患者再入院的发生，具有重要的 预警作用，可能指导医护人员对老年脑卒中患者进行营养管理。