基于临床影像的社区人群卒中风险预测模型开发与验证研究

来自中国北方农村的研究团队针对现有卒中预测模型高估风险且缺乏神经影像参数的问题，开发了整合脑小血管病(CSVD)负担和颅内动脉狭窄(ICAS)等影像特征的Cox比例风险模型。该模型通过LASSO回归筛选出吸烟、糖尿病等关键因子，5年预测AUC达0.88，Brier评分0.03，为社区卒中一级预防提供精准工具。

　　

这项突破性研究在1586名中国北方农村居民中展开，历时8年追踪，巧妙地将神经影像学参数与传统危险因素相结合。科研人员采用最小绝对收缩选择算子(LASSO)回归这把"智能筛子"，从海量数据中精准捕获四大核心预警信号：当前吸烟状态、糖尿病病史、高负荷脑小血管病(cerebral small-vessel disease, CSVD)以及严重颅内动脉狭窄(intracranial artery stenosis, ICAS)。

研究团队精心构建的Cox比例风险模型如同一位"数字预言家"，其预测性能令人惊艳：5年卒中预测的曲线下面积(AUC)达到0.88（95%CI 0.83-0.92），7年预测仍保持0.84的高水准。经过500次bootstrap重采样验证，这个模型展现出堪比"九命猫"的稳健性。校准曲线如同"精准的瑞士钟表"，Brier评分低至0.03-0.04，决策曲线分析更证实其临床实用价值。

特别值得一提的是，研究者还贴心地开发了可视化列线图(nomogram)，让基层医生也能像使用"卒中风险计算器"般轻松进行个体化评估。该成果为社区卒中防控指明四大关键靶点：控烟、降糖、管理无症状CSVD和ICAS，堪称初级预防的"黄金四法则"。