基于人工智能算法的腦卒中溶栓藥物精準(zhǔn)治療：真實(shí)世界研究

沈惠文，林永忠，陳淑良，張立紅，馬春野，馬得原，張策*

缺血性腦卒中（ischemic stroke，IS）起病急，治療時(shí)間窗窄，治療效果影響因素復(fù)雜，因此快速診斷患者病情、評(píng)估及給予治療方案是關(guān)鍵?，F(xiàn)認(rèn)為靜脈溶栓是最主要的恢復(fù)IS患者血管血流循環(huán)的方式，常使用的靜脈溶栓藥物主要有阿替普酶和尿激酶，而患者自身情況各異，且治療方式、給藥種類、給藥劑量、給藥方式均會(huì)影響患者的溶栓效果。Wide&Deep模型的核心是將深度神經(jīng)網(wǎng)絡(luò)具備的泛化性和線性模型的記憶性能相結(jié)合，目的是為了能夠較大程度提升模型的預(yù)測(cè)性能［1］，同時(shí)解決“記憶”和“泛化”的問(wèn)題?！坝洃洝笔侵冈诿鎸?duì)大量離散稀疏的特征時(shí)，將特征進(jìn)行非線性轉(zhuǎn)換，使其具有可解釋程度強(qiáng)等優(yōu)點(diǎn)。但隨模型復(fù)雜程度增加，記憶能力增強(qiáng)，模型易出現(xiàn)過(guò)擬合的情況。而“泛化”恰好能緩解該類問(wèn)題，“泛化”是稀疏特征學(xué)習(xí)低維的密集嵌入來(lái)捕獲特征之間的相關(guān)性，即將高維度向量轉(zhuǎn)換到低維度空間中，需要較少的工作量。因此采用大數(shù)據(jù)的學(xué)習(xí)方式，根據(jù)已經(jīng)采用某一方案溶栓的患者預(yù)后，反推干預(yù)手段，從而建立以患者特征、干預(yù)手段及其他影響因素為輸入變量，預(yù)測(cè)治療效果為輸出變量的大數(shù)據(jù)算法，包括Wide&Deep、支持向量機(jī)（SVM）、分類回歸樹(shù)（CART）、C5.0決策樹(shù)、深度神經(jīng)網(wǎng)絡(luò)（DNN）等。

目前，醫(yī)學(xué)大數(shù)據(jù)多集中在醫(yī)學(xué)影像方面［2-4］，在臨床輔助診斷和監(jiān)測(cè)方面的研究尚少見(jiàn)。溶栓藥物研究多集中于溶栓藥物的臨床效果觀察［5-6］、用藥效果及安全性分析［7-8］、溶栓效果影響因素［9-12］方面，樣本量多為數(shù)十到數(shù)百不等。針對(duì)溶栓治療方法的人工智能算法尚未見(jiàn)報(bào)道。本研究盡可能多的納入混雜因素，如高血壓、冠心病等既往病史，同時(shí)利用人工智能的有效算法，更全面的探討了溶栓影響因素，也降低了混雜偏倚，以期在真實(shí)世界背景下，增加人工智能用藥推薦模型的適用性。在IS患者入院時(shí)，根據(jù)患者的不同特點(diǎn)，由模型算法推薦最優(yōu)治療方法及給藥方案，如用藥劑量、用藥種類及給藥方式等，同時(shí)算法轉(zhuǎn)化后應(yīng)用于臨床，以期對(duì)患者的識(shí)別、治療方法的動(dòng)態(tài)監(jiān)測(cè)與調(diào)控、診斷操作的自動(dòng)與精準(zhǔn)提供有益探索。

1 對(duì)象與方法

1.1 研究對(duì)象 采用回顧性研究方式，從大連醫(yī)科大學(xué)附屬第二醫(yī)院醫(yī)渡云科研大數(shù)據(jù)服務(wù)器系統(tǒng)提取本院確診為IS的患者（n=55 621）的臨床信息，時(shí)間為2001-01-01至2021-12-31。IS患者納入標(biāo)準(zhǔn)：（1）年齡＞18歲，男女不限；（2）根據(jù)神經(jīng)影像學(xué)診斷為腦部存在責(zé)任缺血病灶；（3）患者入院及出院時(shí)美國(guó)國(guó)立衛(wèi)生研究院卒中量表（NIHSS）評(píng)分完整；（4）具有溶栓指征。排除標(biāo)準(zhǔn)：（1）關(guān)鍵數(shù)據(jù)嚴(yán)重缺失，如用藥劑量、治療方式等數(shù)據(jù)不能回溯；（2）倫理批件中規(guī)定為未脫敏對(duì)象。依據(jù)納入標(biāo)準(zhǔn)篩選后，最終共納入IS患者1 855例。

依據(jù)每位患者入院與出院時(shí)NIHSS評(píng)分差值評(píng)價(jià)患者溶栓效果，并將患者分為神經(jīng)功能改善組（差值≥4分［13］，n=1 236）和對(duì)照組（差值 ＜4 分，n=619）。

本研究經(jīng)大連醫(yī)科大學(xué)附屬第二醫(yī)院倫理委員會(huì)批準(zhǔn)（大醫(yī)二院倫字〔2020〕043）。

1.2 研究指標(biāo) 經(jīng)3位神經(jīng)內(nèi)科高級(jí)職稱專家背對(duì)背推薦，并結(jié)合查閱IS診治指南及文獻(xiàn)，整理可能與IS發(fā)作后溶栓效果相關(guān)的影響因素，歸類為患者一般特征、用藥指標(biāo)、檢查指標(biāo)、檢驗(yàn)指標(biāo)、治療方式5類，共85個(gè)影響因素。首發(fā)及復(fù)發(fā)IS、合并顱內(nèi)出血作為混雜因素進(jìn)行控制。

1.3 研究方法

1.3.1 主成分分析 主成分分析是基于各個(gè)變量間的關(guān)聯(lián)關(guān)系，利用數(shù)據(jù)降維的方式，將多個(gè)相關(guān)聯(lián)的變量降維成幾個(gè)少數(shù)變量，原始指標(biāo)的大部分信息能通過(guò)主成分反映［14］。本研究中利用主成分分析法進(jìn)行降維處理，以提高模型的預(yù)測(cè)效率。

1.3.2 Wide&Deep模型構(gòu)建與評(píng)價(jià) Wide&Deep模型中，Wide模型為以y=wTx+b為形式的廣義線性模型，y是模型預(yù)測(cè)目標(biāo)，x=［x1，x2，…，xd］ 是模型中特征向量，w和b為利用極大似然法計(jì)算得到的估計(jì)參數(shù)；Deep模型為前饋式神經(jīng)網(wǎng)絡(luò)模型。結(jié)合兩類模型的優(yōu)勢(shì)，讓模型兼具“泛化能力”和“記憶能力”。Wide&Deep模型結(jié)構(gòu)見(jiàn)圖1。同期構(gòu)建SVM、Logistic回歸模型、C5.0決策樹(shù)、CART、DNN等模型，計(jì)算模型準(zhǔn)確度、靈敏度、召回度等指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)比較，其中準(zhǔn)確度是分類正確的樣本占總樣本個(gè)數(shù)的占比，精確度是預(yù)測(cè)為陽(yáng)性的樣本中實(shí)際也為陽(yáng)性的樣本占比，靈敏度是實(shí)際為陽(yáng)性的樣本中預(yù)測(cè)也為陽(yáng)性的樣本占比，由于靈敏度同召回度的計(jì)算方式及結(jié)果相同，在后續(xù)結(jié)果展示中省略該指標(biāo)，綜合評(píng)價(jià)各項(xiàng)模型評(píng)價(jià)指標(biāo)選擇最佳算法。

圖1 Wide&Deep模型結(jié)構(gòu)Figure 1 The spectrum of the Wide&Deep model

將全部原始數(shù)據(jù)進(jìn)行分割處理，隨機(jī)數(shù)為7和11，隨機(jī)分為訓(xùn)練集（1 113例）、驗(yàn)證集（371例）、測(cè)試集（371例），其中訓(xùn)練集用來(lái)構(gòu)建和訓(xùn)練模型以發(fā)現(xiàn)規(guī)律，驗(yàn)證集用來(lái)調(diào)整模型參數(shù)，測(cè)試集用來(lái)評(píng)價(jià)最終模型的泛化能力。提取本院IS患者的臨床信息，以溶栓治療后患者神經(jīng)功能是否改善作為輸出變量（y），輸入變量為用藥種類（尿激酶/阿替普酶/無(wú)）、單次劑量、病因分型、溶栓時(shí)間窗等26個(gè)影響因素。

設(shè)定模型訓(xùn)練輪次為100次，建模完成后，披露建模及模型準(zhǔn)確度情況。報(bào)告網(wǎng)絡(luò)層內(nèi)核心部分kernel和偏倚度bais收斂性能，描述三維坐標(biāo)系中數(shù)據(jù)點(diǎn)的分布情況，判斷數(shù)據(jù)空間分布的聚類性。計(jì)算模型準(zhǔn)確度、召回度、F指數(shù)等評(píng)價(jià)指標(biāo)，全面評(píng)價(jià)模型。

1.3.3 尋找Wide&Deep模型最優(yōu)參數(shù) 使用GridSearchCV方法尋找模型最優(yōu)參數(shù)，在最優(yōu)參數(shù)范圍內(nèi)細(xì)微調(diào)整Wide&Deep模型中激活函數(shù)種類，分別為Relu和Sigmoid；隱藏層層數(shù)分別為1層、3層、5層、7層；隱藏層神經(jīng)元個(gè)數(shù)分別為10、15、30、300。分別設(shè)定比較不同條件下模型訓(xùn)練集、驗(yàn)證集、測(cè)試集準(zhǔn)確度，最終選定網(wǎng)絡(luò)結(jié)構(gòu)中各個(gè)參數(shù)。

1.3.4 模型自變量簡(jiǎn)化 面對(duì)IS患者具有溶栓的緊迫性、時(shí)間的復(fù)雜性、用藥方案多樣性、干擾因素?cái)?shù)量多等特點(diǎn)，本研究針對(duì)單因素篩選中有統(tǒng)計(jì)學(xué)意義的因素進(jìn)行特征工程處理，提取主要影響因素，根據(jù)權(quán)重大小比較各個(gè)因素的重要性程度，以增加模型反應(yīng)性和實(shí)用性。按照各因素權(quán)重大小由高到低排序，提取累積百分比＜90%的變量，構(gòu)建簡(jiǎn)化模型并評(píng)估其模型準(zhǔn)確度。

1.3.5 Wide&Deep模型外部驗(yàn)證 采用大連醫(yī)科大學(xué)附屬第二醫(yī)院IS患者數(shù)據(jù)建模后，以大連市中心醫(yī)院的醫(yī)渡云科研大數(shù)據(jù)服務(wù)器系統(tǒng)中IS專病數(shù)據(jù)庫(kù)的IS患者的臨床信息進(jìn)行外部驗(yàn)證，共提取到3 925例患者的臨床信息，評(píng)估構(gòu)建的Wide&Deep模型的預(yù)測(cè)及泛化能力，評(píng)價(jià)指標(biāo)為模型準(zhǔn)確度情況，研究技術(shù)路線見(jiàn)圖2。

圖2 研究技術(shù)路線Figure 2 Technical route of the study

1.4 統(tǒng)計(jì)學(xué)方法 采用SPSS 13.0統(tǒng)計(jì)軟件進(jìn)行數(shù)據(jù)插補(bǔ)及單因素篩選，針對(duì)血小板計(jì)數(shù)、低密度脂蛋白膽固醇（LDL-C）、同型半胱氨酸等字段構(gòu)建CART模型填補(bǔ)缺失值。對(duì)85個(gè)影響因素進(jìn)行單因素篩選，除納入統(tǒng)計(jì)學(xué)結(jié)果有意義的指標(biāo)外，還結(jié)合神經(jīng)內(nèi)科高級(jí)職稱醫(yī)師推薦指標(biāo)，共同作為分析變量納入主成分分析中，其中符合正態(tài)分布的計(jì)量資料以（±s）表示，兩組間比較采用兩獨(dú)立樣本t檢驗(yàn)，不符合正態(tài)分布的計(jì)量資料以M（QR）表示，兩組間比較采用秩和檢驗(yàn)，連續(xù)型變量包括年齡、單次劑量、白細(xì)胞計(jì)數(shù)等54個(gè)指標(biāo)；計(jì)數(shù)資料以相對(duì)數(shù)表示，組間比較采用χ2檢驗(yàn)，分類變量包括性別、高血壓、是否使用抗血小板藥等31個(gè)指標(biāo)，以P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。利用Python 3.7進(jìn)行主成分分析，利用主成分因子構(gòu)建人工智能模型。使用Python 3.7中的Tensorflow和Keras模塊構(gòu)建DNN和Wide&Deep人工智能模型，尋找模型的最優(yōu)參數(shù)，繪制受試者工作特征（ROC）曲線。同期構(gòu)建Logistic回歸模型、SVM、CART等模型，分別計(jì)算6種模型的準(zhǔn)確度、精確度、召回率等指標(biāo)進(jìn)行模型的評(píng)價(jià)。

2 結(jié)果

2.1 建模數(shù)據(jù)集和單因素篩選 納入的1 855例IS患者的篩選流程見(jiàn)圖3，研究因素共85個(gè)。將全部影響因素分為一般特征、用藥指標(biāo)、治療方式、檢查指標(biāo)、檢驗(yàn)指標(biāo)5個(gè)方面，結(jié)合臨床專家意見(jiàn)，納入26個(gè)因素構(gòu)建模型，具體為：年齡、糖尿病患病情況、心房顫動(dòng)（簡(jiǎn)稱房顫）患病情況、動(dòng)脈粥樣硬化患病情況、出血性疾病史、腦血管病史、高血壓患病情況、溶栓藥物的單次劑量、用藥種類、給藥方式、溶栓時(shí)間窗、是否使用抗血小板藥物、是否使用抗凝藥物、是否使用其他活血化瘀藥物、是否進(jìn)行取栓手術(shù)、是否橋接治療、入院NIHSS評(píng)分、血小板計(jì)數(shù)、LDL-C、胱抑素、同型半胱氨酸、責(zé)任血管狹窄程度、是否有局灶神經(jīng)功能缺損、梗死部位、梗死面積、病因分型。責(zé)任血管狹窄程度：輕度狹窄為狹窄程度＜50%，中度狹窄為狹窄程度50%～69%，重度狹窄為狹窄程度70%～99%；局灶神經(jīng)功能缺損為IS患者出現(xiàn)無(wú)力、麻木、語(yǔ)言障礙的癥狀［8］。

圖3 研究對(duì)象納入流程圖Figure 3 Flow chart of inclusion and exclusion of the participants

對(duì)照組和神經(jīng)功能改善組患者年齡、糖尿病患病情況、房顫患病情況、動(dòng)脈粥樣硬化患病情況、出血性疾病史、腦血管病史、高血壓患病情況、溶栓藥物的單次劑量、用藥種類、給藥方式、溶栓時(shí)間窗、是否使用抗血小板藥物、是否使用抗凝藥物、是否使用其他活血化瘀藥物、是否進(jìn)行取栓手術(shù)、入院NIHSS評(píng)分、血小板計(jì)數(shù)、責(zé)任血管狹窄程度、是否有局灶神經(jīng)功能缺損、梗死部位比較，差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）；對(duì)照組和神經(jīng)功能改善組患者橋接治療情況、LDL-C、胱抑素、同型半胱氨酸、梗死面積、病因分型比較，差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05），見(jiàn)表1。

表1 對(duì)照組和神經(jīng)功能改善組患者一般特征、用藥指標(biāo)、治療方式、檢查指標(biāo)、檢驗(yàn)指標(biāo)比較Table 1 Comparison of general characteristics，medication indicators，treatment methods，examination indicators and test indicators between the control group and the neurological function improvement group

2.2 主成分分析結(jié)果 將26個(gè)影響因素降維成2個(gè)主成分，方差貢獻(xiàn)率分別為65.6%和27.5%，累積方差貢獻(xiàn)率為93.1%，見(jiàn)表2。

表2 26個(gè)影響因素總方差解釋Table 2 The percentage of total variance explained by 26 influencing factors of thrombolytic effect

2.3 不同數(shù)據(jù)挖掘模型分析比較 采用Logistic回歸模型、C5.0決策樹(shù)、CART、SVM、DNN、Wide&Deep模型評(píng)價(jià)26個(gè)影響因素對(duì)IS患者溶栓治療后神經(jīng)功能改善的影響，結(jié)果顯示，Wide&Deep模型準(zhǔn)確度、精確度、特異度、F指數(shù)最高（表3），表示W(wǎng)ide&Deep模型評(píng)價(jià)最佳。

表3 Logistic回歸模型、C5.0決策樹(shù)、CART、SVM、DNN、Wide&Deep模型評(píng)價(jià)IS患者溶栓治療后神經(jīng)功能改善的價(jià)值Table 3 The value of Logistic regression model，C5.0 decision tree arithmetic，CART，SVM，DNN and Wide&Deep model in evaluating the improvement of neurological function in ischemic stroke patients after thrombolytic therapy

2.4 Wide&Deep模型參數(shù)及準(zhǔn)確度情況 分別以Relu、Sigmoid作為激活函數(shù)探索模型最佳隱藏層層數(shù)，調(diào)整隱藏層層數(shù)為1、3、5、7層，調(diào)整每層神經(jīng)元節(jié)點(diǎn)數(shù)為10、15、30、300個(gè)，以大連醫(yī)科大學(xué)附屬第二醫(yī)院確診為IS的患者作為研究對(duì)象構(gòu)建Wide&Deep模型，比較訓(xùn)練集、驗(yàn)證集、測(cè)試集模型準(zhǔn)確度，最終最優(yōu)參數(shù)為以Sigmoid作為激活函數(shù)，隱藏層層數(shù)為7層，隱藏層中神經(jīng)元節(jié)點(diǎn)數(shù)最佳為15個(gè)，見(jiàn)圖4。

圖4 優(yōu)化Wide&Deep模型的最優(yōu)參數(shù)Figure 4 Optimal parameters of the Wide&Deep model after optimization

Wide&Deep模型訓(xùn)練集準(zhǔn)確度達(dá)到0.816，驗(yàn)證集準(zhǔn)確度達(dá)到0.828，測(cè)試集準(zhǔn)確度達(dá)到0.844，模型準(zhǔn)確度較高。模型準(zhǔn)確度曲線如圖5。

圖5 Wide&Deep模型準(zhǔn)確率曲線Figure 5 Accuracy curve of the Wide&Deep model

IS患者中訓(xùn)練組ROC曲線下面積為0.753，測(cè)試組ROC曲線下面積為0.793（圖6），表明Wide&Deep模型具有良好的預(yù)測(cè)性能和泛化能力，模型沒(méi)有出現(xiàn)過(guò)擬合情況。

圖6 Wide&Deep模型預(yù)測(cè)訓(xùn)練組和測(cè)試組IS患者溶栓治療后神經(jīng)功能改善的ROC曲線Figure 6 ROC curves of the Wide&Deep model in predicting the neurological function improvement in ischemic stroke patients in training group and test group after thrombolytic therapy

2.5 經(jīng)特征工程的自變量簡(jiǎn)化及外部驗(yàn)證結(jié)果 IS患者溶栓治療后神經(jīng)功能改善影響因素的特征工程分析結(jié)果顯示，用藥種類、給藥方式和用藥劑量的重要性排序均在前列，重要性排序由大到小分別為：是否有腦血管病史、用藥種類、給藥方式、單次劑量、動(dòng)脈粥樣硬化、溶栓時(shí)間窗、是否使用抗凝藥物和活血化瘀藥物等，表明藥物因素在IS患者治療效果中占重要作用（表4）。為更好地應(yīng)用模型，進(jìn)行模型自變量簡(jiǎn)化，得出Wide&Deep模型準(zhǔn)確度為0.819，外部驗(yàn)證模型準(zhǔn)確度為0.800，表示W(wǎng)ide&Deep模型后仍具有較好的泛化性及預(yù)測(cè)性能。

表4 經(jīng)特征工程得到影響因素重要性排序結(jié)果Table 4 The importance ranking of influencing factors for thrombolytic effect obtained through feature engineering

3 討論

3.1 人工智能算法在藥物選擇中的應(yīng)用 本研究采用Wide&Deep模型能夠解決從患者溶栓影響因素到臨床中患者神經(jīng)功能改善的有效預(yù)測(cè)，模型測(cè)試集預(yù)測(cè)準(zhǔn)確率達(dá)到0.844。IS患者溶栓影響因素中包含用藥種類、單次劑量、給藥方式等治療方案，通過(guò)結(jié)合患者個(gè)體特征和用藥方案指標(biāo)，就可以把不同溶栓用藥方案的治療效果推薦給臨床醫(yī)生，供臨床決策輔助使用，讓更多患者獲益。本研究構(gòu)建出6種模型（表2），綜合模型評(píng)價(jià)指標(biāo)，選擇Wide&Deep神經(jīng)網(wǎng)絡(luò)為模型算法，作為本研究的人工智能模型。本研究引入了Wide&Deep神經(jīng)網(wǎng)絡(luò)算法，在既往研究中尚少見(jiàn)［15］，其模型核心是將深度神經(jīng)網(wǎng)絡(luò)具備的泛化性和線性模型的記憶性能相結(jié)合，較大程度上提升模型的預(yù)測(cè)性能。

3.2 IS溶栓治療結(jié)果的影響因素分析 目前研究多集中在溶栓藥物的臨床效果觀察，溶栓藥物的效果和安全性分析，溶栓效果影響因素研究等方面，樣本量多集中在數(shù)十到數(shù)百不等。臨床療效觀察中，多采用前瞻性研究，分為基礎(chǔ)治療組和加用溶栓藥物組，針對(duì)療效結(jié)果進(jìn)行統(tǒng)計(jì)比較，所得結(jié)果多是列出溶栓藥物的療效，而針對(duì)溶栓治療方法的選擇，如給藥劑量和方式等探討尚未見(jiàn)報(bào)道。在影響因素探索方面，現(xiàn)有研究多采用多因素Logistic回歸分析方法［10-11］，通過(guò)單因素篩選，得到有意義的影響因素后進(jìn)行多因素回歸分析，得到最終的影響因素，但基于大數(shù)據(jù)算法和真實(shí)世界全數(shù)據(jù)研究的相關(guān)文獻(xiàn)尚少見(jiàn)。本研究通過(guò)預(yù)測(cè)模型程序，輸入患者的相關(guān)因素，其中包括窮舉溶栓藥物治療方案，包括溶栓藥種類、單次劑量、給藥方式等，就能通過(guò)模型尋找出最佳給藥方案組合，為臨床醫(yī)生的決策提供理論參考，提升缺血性腦卒中治療效果，實(shí)現(xiàn)對(duì)缺血性腦卒中患者的個(gè)體化精準(zhǔn)治療，對(duì)減輕疾病社會(huì)負(fù)擔(dān)具有積極意義。

本研究經(jīng)特征工程模型自變量簡(jiǎn)化后，得到IS患者治療后影響其溶栓效果的重要因素，分別為用藥種類、給藥方式、單次劑量及是否有腦血管病史等。其中，是否有腦血管病史在特征工程結(jié)果中得到權(quán)重為988.87，居于第1位，有研究表明，有心腦血管疾病史的患者更易發(fā)作IS，如出血性腦血管病、缺血性腦血管病、腦供血不足、高血壓腦病、動(dòng)脈粥樣硬化或狹窄等，易引起腦血管血流變化，是IS發(fā)作的重要誘因［16］。在分析影響IS患者溶栓治療效果因素的單因素篩選時(shí)，得到用藥因素中用藥種類、給藥方式、單次劑量在神經(jīng)功能改善組和對(duì)照組中差異明顯（P＜0.001），表明用藥因素對(duì)于患者溶栓治療效果的影響均較大。由特征工程模型自變量簡(jiǎn)化結(jié)果得到，用藥種類權(quán)重居于第2位，權(quán)重大小為670.44，所占百分比為22.68%。本研究中針對(duì)靜脈溶栓藥物，研究團(tuán)隊(duì)納入阿替普酶和尿激酶作為主要研究藥物，對(duì)IS發(fā)作在4.5 h以內(nèi)的患者，應(yīng)按照適應(yīng)證、禁忌證等嚴(yán)格篩選患者，并給予重組人組織型纖溶酶原激活物（rt-PA）；IS發(fā)作6 h內(nèi)給予尿激酶，相對(duì)安全有效，但其適應(yīng)證、禁忌證等均有待更新與修訂［17］。本研究能夠根據(jù)患者個(gè)體化特點(diǎn)，針對(duì)不同溶栓時(shí)間窗、患者NIHSS評(píng)分、血糖水平等給出臨床用藥種類的推薦方案。給藥方式權(quán)重居于第3位，權(quán)重大小為510.73，所占百分比為17.28%，在給予患者靜脈溶栓過(guò)程中，給藥方式分為兩種：靜脈推注或使用泵入，使用泵入時(shí)要求抽取10%藥物在1 min內(nèi)靜脈推注，其余藥物在1 h內(nèi)靜脈泵入完成，因此給藥方式也是研究團(tuán)隊(duì)想要給出的藥物溶栓治療方案的因素之一，提供用藥方式參考，以達(dá)到較好溶栓效果。單次劑量權(quán)重居于第4位，權(quán)重大小為142.85，所占百分比為4.83%，診治指南中推薦rt-PA給藥正常劑量為0.9 mg/kg，或給予小劑量rt-PA 0.6 mg/kg，小劑量rt-PA出血風(fēng)險(xiǎn)小于正常劑量［17］，但未見(jiàn)降低患者治療后致殘率，需考慮患者病情嚴(yán)重情況、出血情況等進(jìn)行個(gè)體化決策。使用尿激酶作為靜脈溶栓藥物時(shí)，推薦使用應(yīng)用劑量為100～150 U，本研究構(gòu)建人工智能模型，旨在納入新的患者時(shí)能夠推薦最佳溶栓藥物劑量。當(dāng)有新患者進(jìn)入人工智能模型后，模型經(jīng)算法運(yùn)行，可結(jié)合患者自身情況給出治療時(shí)用藥種類（阿替普酶和尿激酶）、單次劑量及給藥方式（使用泵或靜脈滴注）等，輔助臨床決策。

3.3 人工智能與未來(lái)醫(yī)藥 伴隨大數(shù)據(jù)與人工智能產(chǎn)業(yè)不斷升溫，人工智能技術(shù)正逐漸滲透人們的日常生活中。在醫(yī)療衛(wèi)生領(lǐng)域，人工智能正進(jìn)一步拓寬其發(fā)展空間及應(yīng)用前景，展現(xiàn)出愈發(fā)重要的應(yīng)用價(jià)值，助推醫(yī)療事業(yè)正向發(fā)展，如病理診斷、輔助診療、醫(yī)學(xué)影像識(shí)別、藥物研發(fā)等［18］。相信在醫(yī)療衛(wèi)生事業(yè)發(fā)展中，人工智能將與醫(yī)療進(jìn)一步融合，成為輔助醫(yī)護(hù)人員診療決策的重要支撐［19］。

3.4 IS治療緊迫性及社會(huì)負(fù)擔(dān) 卒中對(duì)全球經(jīng)濟(jì)影響巨大，根據(jù)《心臟病和腦卒中2020年統(tǒng)計(jì)更新》［20］統(tǒng)計(jì)，由腦卒中帶來(lái)直接和間接經(jīng)濟(jì)損失達(dá)4 550萬(wàn)美元，預(yù)估直接醫(yī)療費(fèi)用高達(dá)2 800萬(wàn)美元。在我國(guó)，腦卒中是僅次于癌癥的第2位致死性疾病。本研究針對(duì)IS患者的不同特征，為其選擇溶栓方案提供參考，深入研究影響溶栓的因素，為IS衛(wèi)生經(jīng)濟(jì)學(xué)決策提供數(shù)據(jù)支持，并為不同特征患者優(yōu)選出臨床決策方案，從而以較低成本獲得較高的治療收益。

本研究尚存在一定的不足，本研究納入了1 855例IS患者的臨床數(shù)據(jù)構(gòu)建模型，Wide&Deep模型的準(zhǔn)確度可達(dá)到0.815，模型準(zhǔn)確度及預(yù)測(cè)性能較好，若納入更多患者數(shù)據(jù)，模型準(zhǔn)確度可以進(jìn)一步提高。此后，本團(tuán)隊(duì)將納入更多中心數(shù)據(jù)進(jìn)行外部驗(yàn)證，進(jìn)一步對(duì)模型的預(yù)測(cè)性能進(jìn)行評(píng)估，對(duì)模型持續(xù)調(diào)整。

綜上所述，人工智能算法結(jié)果顯示，影響溶栓效果的因素排序由大到小分別為：是否有腦血管病史、用藥種類、給藥方式、單次劑量、動(dòng)脈粥樣硬化、溶栓時(shí)間窗、是否使用抗凝藥物和活血化瘀藥物等，能夠?yàn)榕R床決策提供參考實(shí)現(xiàn)對(duì)IS患者的個(gè)體化精準(zhǔn)治療，對(duì)減輕疾病社會(huì)負(fù)擔(dān)具有積極意義。

作者貢獻(xiàn)：沈惠文負(fù)責(zé)數(shù)據(jù)收集和整理，統(tǒng)計(jì)學(xué)處理，并撰寫論文初稿；林永忠提出主要研究指標(biāo)；陳淑良負(fù)責(zé)納排標(biāo)準(zhǔn)的制定；張立紅負(fù)責(zé)究對(duì)象的選??；馬春野負(fù)責(zé)論文修訂；馬得原負(fù)責(zé)數(shù)據(jù)收集和整理；張策負(fù)責(zé)研究的質(zhì)量控制及審校，并對(duì)研究負(fù)責(zé)；所有作者確認(rèn)了論文的最終稿。

本文無(wú)利益沖突。