機器學(xué)習(xí)模型在急性缺血性卒中并發(fā)癥及預(yù)后預(yù)測中的研究進展

覃偉，姜勇，劉寶花

隨著計算機計算力的提高，大數(shù)據(jù)時代的到來和算法的更新，機器學(xué)習(xí)已在疾病預(yù)測領(lǐng)域取得了不錯的進展。相較于傳統(tǒng)統(tǒng)計模型，機器學(xué)習(xí)模型的靈敏度、特異度較高，更易滿足目前精準醫(yī)療的需求。包括支持向量機、隨機森林、極限梯度提升、深度神經(jīng)網(wǎng)絡(luò)等在內(nèi)的機器學(xué)習(xí)模型已在卒中領(lǐng)域取得了較好的研究成果。急性缺血性卒中約占全部卒中的80%[1]，通過對急性缺血性卒中并發(fā)癥和預(yù)后進行預(yù)測，以發(fā)現(xiàn)高?；颊?，并及時調(diào)整患者的治療方案，預(yù)防各類可改變的危險因素，能夠有效改善急性缺血性卒中患者的預(yù)后。有研究專門將機器學(xué)習(xí)應(yīng)用于急性缺血性卒中患者的并發(fā)癥或預(yù)后預(yù)測，本文總結(jié)了此類研究的最新研究成果，以期為相關(guān)研究和臨床工作提供借鑒和參考。

1 機器學(xué)習(xí)在急性缺血性卒中并發(fā)癥預(yù)測中的應(yīng)用

卒中相關(guān)性肺炎（stroke-associated pneumonia，SAP）、卒中后抑郁（post-stroke depression，PSD）以及接受靜脈溶栓后的出血轉(zhuǎn)化等是急性缺血性卒中病程中常見的并發(fā)癥，這些并發(fā)癥往往會導(dǎo)致患者病情惡化，甚至死亡。近年來，已有研究將機器學(xué)習(xí)應(yīng)用于急性缺血性卒中患者并發(fā)癥的預(yù)測中，用來早期發(fā)現(xiàn)高?；颊?，從而進行適當(dāng)?shù)念A(yù)防和治療。1.1 卒中相關(guān)性肺炎 肺炎作為卒中死亡的主要原因之一，尤其是對于急性缺血性卒中的患者。SAP是一種常見的卒中后并發(fā)癥，其發(fā)病率在11.3%～31.3%，往往會造成患者住院時間延長、致殘率和死亡率增高[2]。

目前，已有研究將機器學(xué)習(xí)算法應(yīng)用于急性缺血性卒中患者SAP的預(yù)測。GE等[3]使用了深度神經(jīng)網(wǎng)絡(luò)來預(yù)測卒中后肺炎，在預(yù)測卒中發(fā)作7 d內(nèi)的肺炎時，ROC曲線下面積（area under the curve，AUC）為0.928，靈敏度為90%，特異度為85%；預(yù)測卒中發(fā)作14 d內(nèi)的肺炎時，AUC為0.905，靈敏度為90%，特異度為82%。另一項將極限梯度提升算法應(yīng)用于急性缺血性卒中SAP的預(yù)測研究中，AUC為0.841，靈敏度為81.0%，特異度73.3%[4]。以上研究均證實了機器學(xué)習(xí)可用于急性缺血性卒中患者SAP的預(yù)測，但這兩項研究均是從一家醫(yī)院選擇的研究對象，未進行外部驗證。

總體而言，目前使用機器學(xué)習(xí)對SAP的預(yù)測研究仍較少，且大多是回顧性研究，難以避免偏倚，另外SAP的潛在預(yù)測因子，如血液生物標志物等，未能納入預(yù)測模型，今后的研究需要考慮使用前瞻性隊列研究的方法，將預(yù)測變量不斷完善，并在不同人群中加以驗證。

1.2 卒中后抑郁 PSD是卒中患者一種常見的并發(fā)癥。研究表明，卒中后1年患者持續(xù)出現(xiàn)抑郁癥狀的比例大約在2%～17%[5]。Vera等[6]證明卒中發(fā)病后6個月內(nèi)若未能很好地改善PSD癥狀，則存在慢性PSD的高風(fēng)險。PSD的病因較為復(fù)雜，主要有生物學(xué)因素、心理因素和社會因素等[7]，因此，對PSD的研究仍以探究某因素與PSD的相關(guān)性為主，建立模型來預(yù)測卒中患者PSD的研究較少。

De等[8]用邏輯回歸對410例缺血性卒中和腦出血患者是否發(fā)生PSD進行了預(yù)測，預(yù)測變量包括抑郁癥或其他精神疾病、高血壓、心絞痛和生活自理能力，模型的AUC為0.78，該模型具有較好的預(yù)測性能，但未考慮到社會心理因素、認知功能等因素對PSD的影響作用。Liu等[4]使用決策樹對我國562例缺血性卒中和腦出血患者PSD進行了預(yù)測，進一步將社會心理因素和認知功能考慮在內(nèi)，模型的AUC為0.85。以上研究表明機器學(xué)習(xí)可用于對卒中患者PSD的預(yù)測，但兩項研究均未將缺血性卒中或腦出血患者區(qū)分開來。

總體而言，目前使用機器學(xué)習(xí)預(yù)測急性缺血性卒中患者PSD的研究數(shù)量較少，同時現(xiàn)有研究使用相對簡單的機器學(xué)習(xí)算法如邏輯回歸和決策樹等，今后可考慮使用更復(fù)雜的機器學(xué)習(xí)算法如極限梯度提升、深度神經(jīng)網(wǎng)絡(luò)等進行預(yù)測。

1.3 癥狀性顱內(nèi)出血 靜脈溶栓是目前治療缺血性卒中有效的治療方法，但靜脈溶栓顯著增加了發(fā)生出血性轉(zhuǎn)化的風(fēng)險，特別是癥狀性顱內(nèi)出血（symptomatic intracerebral hemorrhage，sICH）是影響溶栓治療效果和安全性的重要因素。目前，已有多項研究將機器學(xué)習(xí)應(yīng)用至急性缺血性卒中溶栓后sICH的預(yù)測中。2012年，Dharmasaroja等[9]使用了多種人工神經(jīng)網(wǎng)絡(luò)對急性缺血性卒中患者靜脈溶栓后是否出現(xiàn)sICH進行了預(yù)測，概率神經(jīng)網(wǎng)絡(luò)的AUC最高，為0.712，證實了機器學(xué)習(xí)可用于溶栓后sICH的預(yù)測。2014年Bentley等[10]使用支持向量機對116例急性缺血性卒中患者接受靜脈溶栓后是否發(fā)生sICH進行了預(yù)測，結(jié)合患者的臨床信息和腦CT圖像，預(yù)測模型的AUC為0.744，優(yōu)于SEDAN和HAT評分，這是首次強調(diào)基于成像的機器學(xué)習(xí)在預(yù)測卒中治療后結(jié)局的研究。Cappellari等[11]使用邏輯回歸對15 949例急性缺血性卒中患者靜脈溶栓后是否出現(xiàn)sICH進行了預(yù)測，AUC為0.739。以上研究均證實了機器學(xué)習(xí)可用于急性缺血性卒中患者靜脈溶栓后是否出現(xiàn)sICH的預(yù)測，但從AUC結(jié)果來看預(yù)測效果不足，提示需要使用更為復(fù)雜的算法或考慮將更多預(yù)測變量納入模型中。

2 機器學(xué)習(xí)在急性缺血性卒中預(yù)后預(yù)測中的應(yīng)用

目前已經(jīng)有一些量表用來預(yù)測卒中患者的功能結(jié)局，并且都較好地通過了外部驗證[12-15]，如洛桑急性卒中登記和分析評分（acute stroke registry and analysis of Lausanne，ASTRAL）[16]、血管事件總體健康風(fēng)險評分（totaled health risks in vascular events，THRIVE）[12]，但此類評分大多納入的是入院時的變量，旨在為治療提供信息，不再收集治療后的數(shù)據(jù)信息來進行預(yù)測。因此，為了更精確地評估患者預(yù)后結(jié)局，及時為預(yù)后不良的患者調(diào)整治療方案，對各類可預(yù)防的危險因素進行干預(yù)，需要使用機器學(xué)習(xí)的方法對急性缺血性卒中患者預(yù)后情況進行預(yù)測。

2.1 針對急性缺血性卒中患者預(yù)后預(yù)測 2018年，Monteiro等[17]使用了隨機森林、極限梯度提升、支持向量機、邏輯回歸和決策樹等五種機器學(xué)習(xí)模型對葡萄牙里斯本的541例急性缺血性卒中患者的3個月功能結(jié)局（mRS評分）進行了預(yù)測，并與ASTRAL、DRAGON、THRIVE評分的預(yù)測效果進行對比，預(yù)測變量包括患者入院時基線（人口統(tǒng)計學(xué)信息、既往病史、卒中發(fā)作至到達醫(yī)院以及開始治療時間間隔、NIHSS評分等）、入院后2 h（NIHSS評分）、24 h（CT/MRI檢查結(jié)果）、7 d（NIHSS評分）以及出院（NIHSS評分、治療方案、病因調(diào)查結(jié)果）五個不同時間點的變量，由于傳統(tǒng)評分僅能納入基線變量，因此在基線和不同時間點的變量組合下，機器學(xué)習(xí)模型預(yù)測效果均高于傳統(tǒng)評分，將五個時間點的變量均考慮在內(nèi)時，隨機森林預(yù)測效果最佳，AUC為0.936。Park等[18]用貝葉斯網(wǎng)絡(luò)對3605例急性缺血性卒中3個月功能結(jié)局進行了預(yù)測，AUC為0.889。Heo等[19]使用隨機森林、邏輯回歸和深度神經(jīng)網(wǎng)絡(luò)三種機器學(xué)習(xí)方法對2604例急性缺血性卒中患者的3個月功能結(jié)局（mRS評分）進行了預(yù)測，并與ASTRAL評分作對比，其中深度神經(jīng)網(wǎng)絡(luò)的AUC顯著高于ASTRAL評分（0.888vs0.839，P＜0.001）。以上研究都證實了使用機器學(xué)習(xí)對急性缺血性卒中預(yù)后預(yù)測的可行性，與傳統(tǒng)評分對比的結(jié)果也證實了機器學(xué)習(xí)算法的預(yù)測效果更為出色。

針對不同類型或接受不同治療的急性缺血性卒中患者，使用機器學(xué)習(xí)模型進行預(yù)后預(yù)測也取得了較好的效果。Van等[20]使用隨機森林、支持向量機、神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)對1383例接受血管內(nèi)治療的前循環(huán)大血管閉塞的急性缺血性卒中患者的預(yù)后進行了預(yù)測，各機器學(xué)習(xí)模型表現(xiàn)均較好（AUC范圍0.88～0.91）。Nishi等[21]對387例接受機械取栓治療的前循環(huán)大血管閉塞的急性缺血性卒中患者進行了預(yù)測，并在115例患者中進行了外部驗證，外部驗證隊列上隨機森林算法的AUC為0.87。

2.2 針對接受靜脈溶栓的急性缺血性卒中患者預(yù)后預(yù)測 靜脈溶栓可有效地治療急性缺血性卒中[1，22]。目前我國靜脈溶栓率仍然較低，其中患者及其家屬擔(dān)心溶栓并發(fā)癥、對溶栓預(yù)后期望不高是導(dǎo)致患者未進行靜脈溶栓治療的主要原因之一[23]。研究表明，為避免可能引起的醫(yī)患糾紛，部分醫(yī)師可能會傾向于采用保守治療而非靜脈溶栓[24]。因此，合理評估靜脈溶栓的風(fēng)險及收益，對于改善醫(yī)療質(zhì)量和患者預(yù)后結(jié)局尤為重要。為此，機器學(xué)習(xí)模型也被運用至靜脈溶栓患者的預(yù)后預(yù)測中。

2014年，Bentley等[10]使用支持向量機對116例急性缺血性卒中患者靜脈溶栓后是否出現(xiàn)sICH進行了預(yù)測，AUC為0.74，可有效評估患者靜脈溶栓后出血風(fēng)險。Cheng等[25]使用人工神經(jīng)網(wǎng)絡(luò)對82例急性缺血性卒中患者靜脈溶栓后3個月功能恢復(fù)情況進行了預(yù)測，準確度為95.12%。Bacchi等[26]將深度學(xué)習(xí)模型應(yīng)用于204例接受靜脈溶栓患者的治療結(jié)果預(yù)測中，考慮患者的臨床信息及腦CT圖像，預(yù)測患者溶栓24 h的NIHSS評分是否得到改善時，AUC為0.71，F(xiàn)1分數(shù)為0.74，預(yù)測患者3個月功能結(jié)局時，AUC為0.74，F(xiàn)1分數(shù)為0.69。以上研究表明機器學(xué)習(xí)模型能夠?qū)邮莒o脈溶栓治療的急性缺血性卒中患者預(yù)后進行預(yù)測，有助于對靜脈溶栓等再灌注治療的獲益及風(fēng)險進行評價，但此類研究數(shù)量仍過少，樣本量不足，且未將不同溶栓時間窗的患者分開討論，在今后的研究中，還需進一步完善。

3 總結(jié)

傳統(tǒng)的各類風(fēng)險量表評分在急性缺血性卒中的預(yù)后、復(fù)發(fā)、死亡等結(jié)局預(yù)測中均取得了一定的效果，通過各類評分工具對卒中患者進行危險分層，可用以指導(dǎo)臨床決策，但量表僅納入入院情況、既往病史等簡單的指標，往往預(yù)測精度不夠。急性缺血性卒中的并發(fā)癥或預(yù)后與多種因素有關(guān)，包括人口學(xué)特征、代謝情況、腦灌注情況、炎癥反應(yīng)、藥物作用和社會心理因素等，這些變量可能共同影響著患者的健康結(jié)局，傳統(tǒng)量表評分則無法充分解釋其中的相互影響作用。隨著醫(yī)療保健數(shù)據(jù)的可用性不斷提高以及大數(shù)據(jù)分析方法的快速發(fā)展，機器學(xué)習(xí)應(yīng)用至卒中領(lǐng)域，已取得不錯的進展，但在對急性缺血性卒中患者的并發(fā)癥和預(yù)后預(yù)測方面，特別是對PSD的預(yù)測，目前進行的研究較少，需要進一步加強相關(guān)研究，以期為改善急性缺血性卒中患者疾病結(jié)局提供幫助。