目的基于机器学习特征辅助筛选来构建脑梗死早期精准诊断及预后的预测模型。方法将2023年2月~2025年2月南阳市第二人民医院收治的140例脑梗死患者纳入脑梗死组,选取同期于笔者医院进行体检的210例健康人群为非脑梗死组。并将350例研究...目的基于机器学习特征辅助筛选来构建脑梗死早期精准诊断及预后的预测模型。方法将2023年2月~2025年2月南阳市第二人民医院收治的140例脑梗死患者纳入脑梗死组,选取同期于笔者医院进行体检的210例健康人群为非脑梗死组。并将350例研究对象按照6∶4分为训练集(n=210)和验证集(n=140)。观察研究对象的基线资料;分析与脑梗死诊断显著相关的风险变量,构建列线图预测模型并进行验证;分析模型对患者预后的预测价值。结果两组年龄、体重指数、吸烟史、高血压、糖尿病、颈动脉斑块、收缩压、舒张压、血糖、总胆固醇、甘油三酯、尿素、血肌酐、总胆红素、谷丙转氨酶、同型半胱氨酸、美国国立卫生研究院卒中量表(national institutes of health stroke scale,NIHSS)评分、改良Rankin量表评分等指标比较,差异有统计学意义(P<0.05);Logistic回归分析结果显示,年龄、吸烟史、血糖、血肌酐、同型半胱氨酸、NIHSS评分为与脑梗死诊断显著相关的风险变量(P<0.05);基于Boruta算法,最终筛选出血糖、血肌酐、同型半胱氨酸、NIHSS评分等4个变量纳入模型;Hosmer Lemeshow拟合优度检验显示:χ^(2)=0.101,P>0.05,且模型的预测概率与实际事件发生率之间的一致性较高;训练集和验证集中,主成分分析显示低风险和高风险两组均较为离散;与低风险组比较,高风险组患者血糖、血肌酐、同型半胱氨酸、NIHSS评分较高(P<0.05)。结论基于血糖、血肌酐、同型半胱氨酸、NIHSS评分构建的列线图预测模型可以较好地辅助评估脑梗死诊断,且对患者预后有一定的预测价值。展开更多
文摘目的基于机器学习特征辅助筛选来构建脑梗死早期精准诊断及预后的预测模型。方法将2023年2月~2025年2月南阳市第二人民医院收治的140例脑梗死患者纳入脑梗死组,选取同期于笔者医院进行体检的210例健康人群为非脑梗死组。并将350例研究对象按照6∶4分为训练集(n=210)和验证集(n=140)。观察研究对象的基线资料;分析与脑梗死诊断显著相关的风险变量,构建列线图预测模型并进行验证;分析模型对患者预后的预测价值。结果两组年龄、体重指数、吸烟史、高血压、糖尿病、颈动脉斑块、收缩压、舒张压、血糖、总胆固醇、甘油三酯、尿素、血肌酐、总胆红素、谷丙转氨酶、同型半胱氨酸、美国国立卫生研究院卒中量表(national institutes of health stroke scale,NIHSS)评分、改良Rankin量表评分等指标比较,差异有统计学意义(P<0.05);Logistic回归分析结果显示,年龄、吸烟史、血糖、血肌酐、同型半胱氨酸、NIHSS评分为与脑梗死诊断显著相关的风险变量(P<0.05);基于Boruta算法,最终筛选出血糖、血肌酐、同型半胱氨酸、NIHSS评分等4个变量纳入模型;Hosmer Lemeshow拟合优度检验显示:χ^(2)=0.101,P>0.05,且模型的预测概率与实际事件发生率之间的一致性较高;训练集和验证集中,主成分分析显示低风险和高风险两组均较为离散;与低风险组比较,高风险组患者血糖、血肌酐、同型半胱氨酸、NIHSS评分较高(P<0.05)。结论基于血糖、血肌酐、同型半胱氨酸、NIHSS评分构建的列线图预测模型可以较好地辅助评估脑梗死诊断,且对患者预后有一定的预测价值。
