壹生资讯-【CSA&TISC 2023】樊东升教授：急性缺血性卒中在院复发临床特点及风险预测模型探索

您已通过HCP身份认证和信息审核

(

【CSA&TISC 2023】樊东升教授：急性缺血性卒中在院复发临床特点及风险预测模型探索

2023-06-23作者：论坛报沐雨资讯

原创

进入CSA&TISC 2023专题

作者：北京大学第三医院神经内科张高祺樊东升

急性缺血性卒中（AIS）具有早期复发风险，在院治疗期间患者仍可能出现复发事件，研究表明，AIS患者的院内复发率为0.8%～7.08%，院内复发会延长住院时间，增加患者死亡风险，影响患者预后。

有关在院复发的影响因素目前研究有限，首次卒中本身的临床特点、影像学特征、血管评估结果等与卒中后早期复发风险可能相关，适合的抗血小板方案及早期降脂等治疗策略、卒中后并发症和合并症也可能影响在院复发风险。

目前尚无广泛适用AIS患者在院复发的临床预测模型。RRE-90（recurrence risk estimator at 90 days）评分结合了病史、影像特点及卒中亚型，可对AIS患者发病后90天内的复发风险进行评估，但该评分对更早期（7天内）复发的预测能力不足。

本研究的目的是探索AIS患者在院复发的临床特征及预后因素，基于患者的临床资料与影像学特征构建AIS患者在院复发风险的预测模型，并初探机器学习算法在AIS在院复发预测中的运用，为临床评估与治疗提供依据。

这是一项单中心、回顾性队列研究，连续纳入了2016.1.1至2017.12.31期间于北医三院神经内科住院的AIS患者，其中急性病程定义为入院时距离脑血管病事件发病时间≤14天。

通过回顾性审查电子病历及影像系统获得患者的非可识别身份信息，包括基本资料及既往病史、临床表现与神经功能评价、入院72小时内实验室指标、住院期间辅助检查、治疗方案、院内并发症及合并症、RRE-90评分、首次卒中的颅脑MR及颅脑血管评估检查等资料。主要结局事件为院内复发缺血性卒中。

采用单因素和多因素Logistic回归分析探究在院复发的影响因素。分别使用逐步Logistic回归法和LASSO法进行变量筛选建立基于临床、影像学特征的预测模型并进行内部验证和评估。运用Logistic回归、朴素贝叶斯算法、随机森林算法（RF）、支持向量机算法（SVM）和极致梯度提升算法（Xgboost）进行患者在院复发预测模型的机器学习探索。

研究共纳入1047例AIS患者，在院缺血性卒中复发率为4.0%，主要发生入院一周内。更高的NIHSS评分（p＜0.001）、意识障碍（p=0.002）、合并房颤（p=0.048）、糖尿病（p=0.012）、院内肺部或泌尿系感染（p＜0.001）、心衰（p=0.029）、超敏CRP（p＜0.001）或白细胞（p=0.004）升高，是提示院内复发的不良预后因素。多发急性梗死、不同循环梗死和不同时期梗死、症状性血管狭窄等影像与血管特征与院内复发相关（p＜0.001）。相对于临床特征，影像特征和血管评估结果的预后意义更强。

基于临床特征以及临床结合临床特征，使用Logistic回归逐步法和LASSO回归分别构建院内复发预测模型，最佳模型纳入特征包括纳入房颤、糖尿病、白细胞计数、意识障碍、颅外血管狭窄、颅内血管狭窄、多发梗死病灶、不同时期病灶和不同循环病灶，其AUC值中位数及四分位数为0.8773（0.8312–0.9027），优于临床特征模型和RRE-90模型，具有更好的校准度和临床获益。基于该模型设计的简化评分＞10分的患者具有院内复发高风险。

表 AIS在院复发简化评分表

变量	分数	变量	分数
白细胞	1	颅内动脉狭窄	2
糖尿病	2	多发急性梗死	4
意识障碍	1	不同循环梗死	2
房颤	3	不同时期梗死	2
颅外动脉狭窄	2	-	-

机器学习建模中，XGboost算法、SVM算法和随机森林算法的表现优于朴素贝叶斯算法、Logistic回归和RRE-90评分，10折交叉检验中Xgboost和随机森林算法在不同数据预处理方法下较RRE-90评分和传统的Logistic回归均表现更优，首次卒中影像提示多发梗死病灶在随机森林和XGboost算法的不同采样模式下均为重要特征。

研究结论：

AIS患者中NIHSS评分较高、合并感染、糖尿病及房颤是提示在院复发高风险的临床因素，症状性血管狭窄、多发急性梗死、不同循环梗死和不同时期梗死是在院复发的影像学预后因素。基于临床和影像特征构建院内复发预测模型可以一定程度上区分在院复发的高危人群，XGboost算法、随机森林算法等机器学习算法对在院复发预测的临床适应性值得期待。

微信图片_20230623155259.jpg