目的构建并验证急性缺血性脑卒中(acute ischemic stroke,AIS)静脉溶栓后出血转化(hemorrhagic transformation,HT)风险预测模型。方法回顾性分析2008年1月—2021年11月美国重症监护医学信息(medical information mart for intensive c...目的构建并验证急性缺血性脑卒中(acute ischemic stroke,AIS)静脉溶栓后出血转化(hemorrhagic transformation,HT)风险预测模型。方法回顾性分析2008年1月—2021年11月美国重症监护医学信息(medical information mart for intensive careⅣ,MIMIC-Ⅳ)数据库中收录的AIS静脉溶栓患者全病程中的生理和临床信息,挖掘样本的向量化特征,单因素分析找出溶栓后HT的高危因素,采用多种机器学习算法构建溶栓后HT风险预测模型,并采用受试者工作特征ROC曲线对预测模型进行检验。结果本研究共纳入910例AIS静脉溶栓患者。单因素分析结果显示:既往病史(房颤、糖尿病、脑梗、无氯吡格雷服药史)、年龄、卒中溶栓时间(door-to-needle,DNT)、无创收缩压、无创舒张压、平均血压、氧流量、肌酸酐、尿素氮、尿比重、尿液pH、天冬氨酸氨基转移酶、乳酸脱氢酶、碱性磷酸盐、白蛋白含量、红细胞、红细胞压积、红细胞平均分布宽度、红细胞分布宽度标准差、血钠浓度、钙离子、血液氯化物、凝血酶原时间(国际标准比值)、凝血酶原时间、部分凝血活酶时间差异有统计学意义(P<0.05)。通过多种机器学习算法,构建并验证预测模型的性能,得出年龄、DNT、糖尿病史、尿液pH、肌酐、白蛋白、血红蛋白、红细胞和无创收缩压10个最优因素组合下最近邻算法对溶栓后HT预测的灵敏度、特异度和准确度分别达到了0.789、0.724和0.731,预测效能较好;且该模型的ROC曲线及曲线下面积AUC值(0.74),均优于其他机器学习算法构建的预测模型。结论溶栓后HT预测模型能够优化临床资源配置,为临床医生提供较为准确的诊断和治疗决策支持,为临床护士提供针对性的护理干预指导。展开更多
文摘目的构建并验证急性缺血性脑卒中(acute ischemic stroke,AIS)静脉溶栓后出血转化(hemorrhagic transformation,HT)风险预测模型。方法回顾性分析2008年1月—2021年11月美国重症监护医学信息(medical information mart for intensive careⅣ,MIMIC-Ⅳ)数据库中收录的AIS静脉溶栓患者全病程中的生理和临床信息,挖掘样本的向量化特征,单因素分析找出溶栓后HT的高危因素,采用多种机器学习算法构建溶栓后HT风险预测模型,并采用受试者工作特征ROC曲线对预测模型进行检验。结果本研究共纳入910例AIS静脉溶栓患者。单因素分析结果显示:既往病史(房颤、糖尿病、脑梗、无氯吡格雷服药史)、年龄、卒中溶栓时间(door-to-needle,DNT)、无创收缩压、无创舒张压、平均血压、氧流量、肌酸酐、尿素氮、尿比重、尿液pH、天冬氨酸氨基转移酶、乳酸脱氢酶、碱性磷酸盐、白蛋白含量、红细胞、红细胞压积、红细胞平均分布宽度、红细胞分布宽度标准差、血钠浓度、钙离子、血液氯化物、凝血酶原时间(国际标准比值)、凝血酶原时间、部分凝血活酶时间差异有统计学意义(P<0.05)。通过多种机器学习算法,构建并验证预测模型的性能,得出年龄、DNT、糖尿病史、尿液pH、肌酐、白蛋白、血红蛋白、红细胞和无创收缩压10个最优因素组合下最近邻算法对溶栓后HT预测的灵敏度、特异度和准确度分别达到了0.789、0.724和0.731,预测效能较好;且该模型的ROC曲线及曲线下面积AUC值(0.74),均优于其他机器学习算法构建的预测模型。结论溶栓后HT预测模型能够优化临床资源配置,为临床医生提供较为准确的诊断和治疗决策支持,为临床护士提供针对性的护理干预指导。
