基于机器学习的缺血性脑卒中抗栓治疗后消化道出血预测模型研究

作者：罗颢文; 俞鹏飞; 刘建模; 韩梦琦; 易应萍^*

来源：现代预防医学, 2023, 50(02): 199-204+221.

DOI：10.20043/j.cnki.MPM.202206405

• 缺血性脑卒中
• 抗栓治疗
• 消化道出血
• 机器学习
• 特征选择
• Catboost

目的 筛选出缺血性脑卒中抗栓治疗后发生消化道出血的关键变量，评价Catboost、支持向量机（SVM）、logistic回归(LR)三种机器学习算法对缺血性脑卒中抗栓治疗后消化道出血的预测效果。方法 选取2018年1月1日—2020年1月1日南昌大学第二附属医院确诊为急性缺血性脑卒中并接受抗栓治疗的住院患者，根据单因素分析结果确定初始变量，综合多因素logistic回归、RFE、lasso回归三种特征选择方法筛选变量，比较Catboost、SVM、LR在缺血性脑卒中抗栓治疗后消化道出血预测模型中的效果。结果 在1 605名缺血性脑卒中患者中，消化道出血的患者84名，单因素分析初步确定了17个变量，根据三种特征选择方法确定年龄、GCS、谷草/谷丙、碱性磷酸酶、低密度脂蛋白、出血性转化为关键变量，构建机器学习模型后重复交叉验证结果显示, Catboost算法的综合性能较好，特异度、准确率、AUC、阳性似然比分别为0.851(95%CI:0.85～0.853)、0.84(95%CI:0.838～0.841)、0.848(95%CI:0.841～0.855)、4.463(95%CI:4.378～4.549),LR发现消化道出血的能力较强,灵敏度和阴性似然比分别为0.723(95%CI:0.711～0.734)和0.345(95%CI:0.33～0.36)。结论 Catboost用于预测缺血性脑卒中抗栓治疗后消化道出血具有更强的优势，结合三种特征选择方法筛选的关键变量，为缺血性脑卒中抗栓治疗后的消化道出血的预防和干预提供一定参考。

• 出版日期2023
• 单位南昌大学; 公共卫生学院; 南昌大学第二附属医院