南京医科大学学报(自然科学版)

作者：叶倩，杨云，徐文韬，刘玲玲

单位：南京医科大学附属第一医院康复医学中心，江苏 南京 210029 ；南京中医药大学针灸推拿学院，江苏 南京 210029,,南京医科大学附属第一医院康复医学中心，江苏 南京 210029 ；南京师范大学心理学院，江苏 南京 210023,,南京中医药大学针灸推拿学院，江苏 南京 210029,,南京医科大学附属第一医院康复医学中心，江苏 南京 210029,

关键词：机器学习;预测模型;脑卒中;日常生活自理能力

基金：国家自然科学基金（82104993）

目的：利用机器学习算法预测影响脑卒中患者日常生活自理能力（activities of daily living，ADL）的风险因素，为其 ADL管理决策提供参考。方法：对2015年1月—2019年2月在南京医科大学附属第一医院康复医学中心治疗的423例脑卒中患者进行回顾性分析。根据Barthel指数（Barthel index，BI）评定量表，将患者分为ADL较好组（BI≥60分）和ADL较差组（BI<60分），并进行数据预处理。采用共线性诊断及最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）筛选特征变量。选择逻辑回归、支持向量机、随机森林（random forest，RF）、极限梯度提升及K最近邻5种机器学习算法进行预测建模，十倍交叉验证后，使用受试者工作特征曲线、受试者工作特征曲线下面积（area under curve，AUC）、精确召回率曲线、精确召回率曲线下的面积（area under the precision recall curve，PRAUC）、准确率、灵敏度、特异度分别对模型进行综合评估，引入 Shapley加性解释（Shapley additive explanation，SHAP）对最优机器学习模型进行可解释化处理。结果：经LASSO回归分析后，确定16个特征变量用于构建机器学习模型。RF模型具有最高的AUC（0.74）、PRAUC（0.64）、准确率（0.97）、灵敏度（0.75）和特异度（0.97）。SHAP 模型解释性分析显示，对 ADL 贡献度前 5 的特征中，Brunnstrom 分期（下肢）的影响最为显著，其次是 Brunnstrom分期（上肢）、D-二聚体、血清白蛋白水平及年龄。结论：RF模型预测脑卒中患者ADL的效能最优，为脑卒中患者 ADL管理决策提供了有价值的参考。

来源：2024年第5期

《南京医科大学学报(自然科学版)》期刊编辑部

查看南京医科大学学报(自然科学版)杂志2024年第5期