基于机器学习的预测模型的开发与应用：用于评估老年缺血性中风患者介入手术后颈动脉狭窄的复发风险

《The Neurologist》：Development and Application of a Machine Learning-Based Predictive Model for Carotid Restenosis After Interventional Surgery in Elderly Ischemic Stroke Patients

本研究构建基于机器学习的颈动脉再狭窄风险预测模型，纳入371例老年缺血性卒中术后患者数据训练，采用支持向量机、逻辑回归、决策树及极端梯度提升等算法对比，梯度提升机（GBM）模型表现最优（AUC=0.969），并验证其在75例新病例中的高特异性（0.969）和准确性（0.960），为临床提供可靠风险评估工具。

　　

摘要 通俗语言总结

---

目的：

本研究旨在开发一种基于机器学习的预测模型，用于评估老年缺血性中风患者在介入手术后发生颈动脉再狭窄的风险。

方法：

我们收集了2020年1月至2023年12月期间接受颈动脉介入手术的371名老年缺血性中风患者的临床数据作为训练集。应用了多种机器学习方法来分析和比较不同模型的预测性能。此外，2024年1月至6月期间收集的75例患者的数据被用作验证集，以评估模型的适用性。

结果：

研究发现影响颈动脉再狭窄的六个因素为：同型半胱氨酸（Hcy）、血小板计数（PLT）、血小板分布宽度（PDW）、平均血小板体积（MPV）、白细胞介素-6（IL-6）和C反应蛋白（CRP）。通过训练开发出的机器学习模型中，梯度提升机（Gradient Boosting Machine，GBM）的表现最佳（AUROC=0.969）。其他模型包括支持向量机（AUROC=0.962）、逻辑回归（AUROC=0.945）、决策树（AUROC=0.885）和极端梯度提升（Extreme Gradient Boosting，EGB）（AUROC=0.753）。GBM模型的预测变量排序为：Hcy、IL-6、CRP、PDW、PLT和MPV。在验证集中，GBM模型表现出色，其AUC为0.939，敏感性为0.909，特异性为0.969，准确率为0.960，阴性预测值为0.984，阳性预测值为0.833。

结论：

与其他机器学习算法相比，GBM模型在预测老年缺血性中风患者介入手术后颈动脉再狭窄的风险方面表现出最佳的准确性和稳定性，具有较高的临床应用价值。

通俗语言总结：本研究开发了一种机器学习模型，用于预测术后老年中风患者的颈动脉再狭窄情况。研究人员使用371名患者的数据测试了多种模型，发现梯度提升机（GBM）的表现最佳，其AUROC为0.969。确定了六个影响再狭窄的因素：同型半胱氨酸、血小板计数、血小板分布宽度、平均血小板体积、IL-6和CRP。GBM模型通过75例新病例进行了验证，显示出较高的准确率（0.960）和特异性（0.969）。该模型为临床医生提供了一种可靠的工具，可用于评估再狭窄风险，从而可能改善颈动脉手术后的患者预后。

本文为机器生成，可能存在不准确之处。 常见问题解答