机器学习算法预测急性缺血性脑卒中患者预后效果评价

doi:10.3969/j.issn.1673-8640.2025.10.013

检验医学 ›› 2025, Vol. 40 ›› Issue (10): 1004-1009.DOI: 10.3969/j.issn.1673-8640.2025.10.013

机器学习算法预测急性缺血性脑卒中患者预后效果评价

李明超¹, 沈通¹, 周冰鹤¹, 窦馨¹, 胡亮¹, 常东¹(), 张泽²()

¹ 上海市浦东医院复旦大学附属浦东医院检验科，上海 201399
² 复旦大学张江科技研究院，上海 201203

收稿日期:2024-07-18 修回日期:2024-12-09 出版日期:2025-10-30 发布日期:2025-11-07
通讯作者: 张泽，E-mail：763011176@qq.com；常东，E-mail：dongchang1969@163.com。
作者简介:李明超，男，1995年生，学士，主要从事检验医学和医学信息学研究。
基金资助:
国家自然科学基金项目(82204098);上海市浦东新区卫生系统优秀青年医学人才项目(PWRq2024-06);复旦张江临床医学创新基金项目(KP0202122);上海市浦东新区重点学科基金项目(PWZxk2022-08);上海市浦东医院院级引进人才科研启动金项目(YJYJRC202115);复旦大学附属浦东医院重点学科基金项目(Yjzdxk2025-06)

Evaluation of prognosis prediction effects in acute ischemic stroke patients based on machine learning algorithms

LI Mingchao¹, SHEN Tong¹, ZHOU Binghe¹, DOU Xin¹, HU Liang¹, CHANG Dong¹(), ZHANG Ze²()

¹ Department of Clinical Laboratory， Shanghai Pudong Hospital，Fudan University Pudong Medical Center， Shanghai 201399， China
² Fudan Zhangjiang Institute， Shanghai 201203， China

Received:2024-07-18 Revised:2024-12-09 Online:2025-10-30 Published:2025-11-07

摘要/Abstract

摘要：

目的探讨基于随机森林算法、极限梯度提升算法、LightGBM算法和Logistic回归分析建立的模型在预测急性缺血性脑卒中（AIS）患者预后的价值。方法收集2022年2月—2024年6月复旦大学附属浦东医院670例AIS患者人口统计学和临床诊疗数据。按照7∶3的比例将670例患者随机分为训练集（469例）和测试集（201例）。分别采用Logistic回归分析和随机森林算法、极限梯度提升算法、LightGBM算法建立模型并预测AIS患者预后。基于受试者工作特征（ROC）曲线、准确率、敏感性、特异性、F1分数、阳性预测值、阴性预测值评估4种算法的预测效能。结果 Logistic回归分析和随机森林算法、极限梯度提升算法、LightGBM算法预测AIS患者预后的曲线下面积（AUC）分别为0.908、0.915、0.908、0.896；4种算法中，随机森林算法的准确率、F1分数最高，Logistic回归分析的特异性和阳性预测值最高，LightGBM算法的阴性预测值最优，而极限梯度提升算法各评价指标均表现欠佳。结论基于机器学习算法预测AIS患者预后能够早期识别患者复发风险，但应选择合适的机器学习模型。

关键词: 机器学习, 急性缺血性脑卒中, 预后评价模型

Abstract:

Objective To evaluate the roles of random forest，extreme gradient boosting，LightGBM machine learning algorithms and Logistic regression analysis in predicting the prognosis of patients with acute ischemic stroke（AIS）. Methods The demographic and clinical data of 670 AIS patients from Fudan University Pudong Medical Center from February 2022 to June 2024 were collected. The 670 patients were randomly divided into a training set（469 cases） and a test set（201 cases） at a ratio of 7∶3. Totally，4 prediction models for AIS prognosis were established using Logistic regression analysis，random forest，extreme gradient boosting and LightGBM machine learning algorithm. The prognosis predictive effects were evaluated based on receiver operating characteristic（ROC） curve，accuracy，sensitivity，specificity，F1 score，positive predictive value and negative predictive value. Results The areas under curves（AUC） of Logistic regression analysis，random forest，extreme gradient boosting and LightGBM machine learning algorithms for predicting the prognosis of AIS patients were 0.908，0.915，0.908 and 0.896，respectively. Among the 4 algorithms，the random forest algorithm had the optimal accuracy and F1 score，Logistic regression analysis had the highest specificity and positive predictive value，and LightGBM machine learning algorithm had the optimal negative predictive value. The extreme gradient boosting algorithm performed poorly in all evaluation indicators. Conclusions The AIS prognosis prediction algorithms constructed based on machine learning can early identify the prognosis of patients，but an appropriate machine learning model should be selected.

Key words: Machine learning, Acute ischemic stroke, Prognosis evaluation model

中图分类号:

R446

李明超, 沈通, 周冰鹤, 窦馨, 胡亮, 常东, 张泽. 机器学习算法预测急性缺血性脑卒中患者预后效果评价[J]. 检验医学, 2025, 40(10): 1004-1009.

LI Mingchao, SHEN Tong, ZHOU Binghe, DOU Xin, HU Liang, CHANG Dong, ZHANG Ze. Evaluation of prognosis prediction effects in acute ischemic stroke patients based on machine learning algorithms[J]. Laboratory Medicine, 2025, 40(10): 1004-1009.

图/表 6

参考文献 22

[1]	LEE Y W, CHOI J W, SHIN E H. Machine learning model for predicting malaria using clinical information[J]. Comput Biol Med, 2021, 129:104151. DOI URL
[2]	GREENER J G, KANDATHIL S M, MOFFAT L, et al. A guide to machine learning for biologists[J]. Nat Rev Mol Cell Biol, 2022, 23(1):40-55. DOI
[3]	ARFAT Y, MITTONE G, ESPOSITO R, et al. Machine learning for cardiology[J]. Minerva Cardiol Angiol, 2022, 70(1):75-91.
[4]	WALTER K. What is acute ischemic stroke?[J]. JAMA, 2022, 327(9):885. DOI PMID
[5]	中国老年医学学会急诊医学分会, 中华医学会急诊医学分会卒中学组, 中国卒中学会急救医学分会. 急性缺血性脑卒中急诊急救中国专家共识2018版(上)[J]. 心脑血管病防治, 2019, 19(3):201-204.
[6]	CAMPBELL B C V, DE SILVA D A, MACLEOD M R, et al. Ischaemic stroke[J]. Nat Rev Dis Primers, 2019, 5(1):70. DOI PMID
[7]	MARKUS H S, MICHEL P. Treatment of posterior circulation stroke:acute management and secondary prevention[J]. Int J Stroke, 2022, 17(7):723-732. DOI URL
[8]	KRIEGER P, MELMED K R, TORRES J, et al. Pre-admission antithrombotic use is associated with 3-month mRS score after thrombectomy for acute ischemic stroke[J]. J Thromb Thrombolysis, 2022, 54(2):350-359. DOI
[9]	CHATURVEDI P, MEHROTRA V, SAXENA Y, et al. Correlation of serum nitric oxide(NO)with Glasgow Coma Scale(GCS)in acute ischemic stroke patient:a study in north India[J]. Indian J Clin Biochem, 2018, 33(3):322-327. DOI URL
[10]	JANSA J, POGACNIK T, GOMPERTZ P. An evaluation of the Extended Barthel Index with acute ischemic stroke patients[J]. Neurorehabil Neural Repair, 2004, 18(1):37-41. DOI URL
[11]	GANAIE M A, TANVEER M, SUGANTHAN P N, et al. Oblique and rotation double random forest[J]. Neural Netw, 2022, 153:496-517. DOI URL
[12]	WANG R, WANG L, ZHANG J, et al. XGBoost machine learning algorism performed better than regression models in predicting mortality of moderate-to-severe traumatic brain injury[J]. World Neurosurg, 2022, 163:e617-e622. DOI URL
[13]	YAN J, XU Y, CHENG Q, et al. LightGBM:accelerated genomically designed crop breeding through ensemble learning[J]. Genome Biol, 2021, 22(1):271. DOI
[14]	ZABOR E C, REDDY C A, TENDULKAR R D, et al. Logistic regression in clinical studies[J]. Int J Radiat Oncol Biol Phys, 2022, 112(2):271-277. DOI URL
[15]	SAINI V, GUADA L, YAVAGAL D R. Global epidemiology of stroke and access to acute ischemic stroke interventions[J]. Neurology, 2021, 97(20):S6-S16.
[16]	张穿洋, 朱文莉, 李晓冉, 等. 急性脑卒中预后预测模型:机器学习与传统回归模型的比较[J]. 中国CT和MRI杂志, 2023, 21(7):24-26.
[17]	KAZI S A, SIDDIQUI M, MAJID S. Stroke outcome prediction using admission nihss in anterior and posterior circulation stroke[J]. J Ayub Med Coll Abbottabad, 2021, 33(2):274-278. PMID
[18]	WANG Y, JING J, PAN Y, et al. Distribution and prognosis of acute ischaemic stroke with negative diffusion-weighted imaging[J]. Stroke Vasc Neurol, 2022, 7(6):493-499. DOI PMID
[19]	刘建模, 罗颢文, 俞鹏飞, 等. 基于机器学习的急性缺血性脑卒中医院感染预测模型建立与评价[J]. 中国感染控制杂志, 2023, 22(2):129-135.
[20]	罗枭, 程义, 何倩, 等. 基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价[J]. 海军军医大学学报, 2022, 43(12):1365-1371.
[21]	SONG X, LIU X, LIU F, et al. Comparison of machine learning and logistic regression models in predicting acute kidney injury:a systematic review and meta-analysis[J]. Int J Med Inform, 2021, 151:104484. DOI URL
[22]	陈慧, 郑晓梅, 夏晓, 等. PI3K/Akt信号通路对脐血间充质干细胞减轻缺血性脑损伤和炎症反应的调节作用[J]. 中国免疫学杂志, 2021, 37(2):155-160.

组别	例数	性别		年龄			收缩压/kPa	舒张压/kPa
组别	例数	男/ [例（%）]	女/ [例（%）]	18~59岁/[例（%）]	60~74岁/[例（%）]	≥75岁/ [例（%）]	收缩压/kPa	舒张压/kPa
预后良好组	319	225（70.5）	94（29.5）	78（24.5）	167（52.4）	74（23.2）	19.8（18.4，21.5）	11.6（10.2，12.5）
预后不良组	351	196（55.8）	155（44.2）	44（12.3）	135（38.5）	173（49.3）	20.1（18.4，21.7）	11.2（10.0，12.4）
统计值		15.448		51.785			0.32	0.992
P值		<0.001		<0.001			0.974	0.321
组别	抗血小板药物史		抗高血压药物史		降糖药物史		吸烟史
组别	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]
预后良好组	64（20.1）	255（79.9）	203（63.6）	116（36.4）	91（28.5）	228（71.5）	108（33.9）	210（65.8）
预后不良组	76（21.7）	275（78.3）	252（71.8）	99（28.2）	137（39.0）	214（61.0）	86（24.5）	265（75.5）
统计值	0.256		5.104		8.215		8.354
P值	0.613		0.024		0.004		0.015
组别	饮酒史		心脏病史		高血压史		糖尿病史
组别	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]
预后良好组	65（20.4）	254（79.6）	54（16.9）	265（83.1）	214（67.1）	105（32.9）	91（28.5）	228（71.5）
预后不良组	55（15.7）	296（84.3）	89（25.4）	262（74.6）	262（74.6）	89（25.4）	138（39.3）	213（60.7）
统计值	2.518		7.071		4.642		8.648
P值	0.113		0.008		0.031		0.003

组别	例数	性别		年龄			收缩压/kPa	舒张压/kPa
组别	例数	男/ [例（%）]	女/ [例（%）]	18~59岁/[例（%）]	60~74岁/[例（%）]	≥75岁/ [例（%）]	收缩压/kPa	舒张压/kPa
预后良好组	319	225（70.5）	94（29.5）	78（24.5）	167（52.4）	74（23.2）	19.8（18.4，21.5）	11.6（10.2，12.5）
预后不良组	351	196（55.8）	155（44.2）	44（12.3）	135（38.5）	173（49.3）	20.1（18.4，21.7）	11.2（10.0，12.4）
统计值		15.448		51.785			0.32	0.992
P值		<0.001		<0.001			0.974	0.321
组别	抗血小板药物史		抗高血压药物史		降糖药物史		吸烟史
组别	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]
预后良好组	64（20.1）	255（79.9）	203（63.6）	116（36.4）	91（28.5）	228（71.5）	108（33.9）	210（65.8）
预后不良组	76（21.7）	275（78.3）	252（71.8）	99（28.2）	137（39.0）	214（61.0）	86（24.5）	265（75.5）
统计值	0.256		5.104		8.215		8.354
P值	0.613		0.024		0.004		0.015
组别	饮酒史		心脏病史		高血压史		糖尿病史
组别	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]	是/ [例（%）]	否/ [例（%）]
预后良好组	65（20.4）	254（79.6）	54（16.9）	265（83.1）	214（67.1）	105（32.9）	91（28.5）	228（71.5）
预后不良组	55（15.7）	296（84.3）	89（25.4）	262（74.6）	262（74.6）	89（25.4）	138（39.3）	213（60.7）
统计值	2.518		7.071		4.642		8.648
P值	0.113		0.008		0.031		0.003

组别	例数	WBC计数/（×10⁹L^-1）	NEUT%/%	RBC计数/（×10⁹L^-1）	Hb/（g·L^-1）	PLT计数/（×10⁹L^-1）
预后良好组	319	5.9（5.1，6.9）	59.4（53.0，66.5）	4.5（4.1，4.8）	133.0（124.5，144.5）	198.0（171.0，224.0）
预后不良组	351	6.3（5.3，7.8）	61.8（55.3，68.1）	4.5（4.1，4.8）	136.0（125.0，146.0）	198.0（165.0，235.0）
z值		2.12	1.721	0.259	0.731	0.303
P值		0.034	0.085	0.795	0.465	0.762
组别	CRP/（mg·L^-1）	PT/s	DD/（mg·L^-1）	APTT/s	Fib/（g·L^-1）	HbA_1c/%
预后良好组	1.6（0.6，3.1）	10.9（10.5，11.6）	0.4（0.2，0.7）	26.3（24.1，29.5）	2.7（2.3，3.7）	6.3（5.7，7.7）
预后不良组	1.3（0.5，3.4）	11.3（10.8，11.9）	0.4（0.2，0.8）	27.8（24.8，31.4）	3.0（2.6，3.5）	6.3（5.9，7.6）
z值	0.93	2.642	0.844	2.482	1.251	0.801
P值	0.352	0.008	0.399	0.013	0.211	0.423
组别	Hcy/（μmol·L^-1）	TC/（nmol·L^-1）	TG/（mmol·L^-1）	HDL-C/（mmol·L^-1）	LDL-C/（mmol·L^-1）	Glu/（mmol·L^-1）
预后良好组	13.1（11.4，19.7）	4.1（3.6，4.7）	1.4（1.0，2.2）	1.0（0.8，1.2）	2.6（2.2，3.2）	5.1（4.7，6.7）
预后不良组	14.1（11.4，18.3）	4.0（3.3，4.8）	1.2（1.0，1.8）	1.0（0.9，1.2）	2.6（1.9，3.3）	5.3（4.6，6.7）
z值	0.353	0.732	1.866	1.734	0.713	0.042
P值	0.724	0.464	0.062	0.083	0.476	0.967
组别	叶酸/（nmol·L^-1）	Vit B₁₂/（pmol·L^-1）		NIHSS评分/分	GCS评分/分	barthel指数
预后良好组	13.9（9.2，20.7）	287.0（216.0，331.5）		0.0（0.0，1.5）	15.0（15.0，15.0）	100.0（90.0，100.0）
预后不良组	14.5（9.5，21.8）	260.0（206.0，344.0）		2.0（1.0，4.0）	15.0（15.0，15.0）	85.0（70.0，100.0）
z值	0.475	0.528		6.382	1.464	4.286
P值	0.635	0.597		<0.001	0.143	<0.001

组别	例数	WBC计数/（×10⁹L^-1）	NEUT%/%	RBC计数/（×10⁹L^-1）	Hb/（g·L^-1）	PLT计数/（×10⁹L^-1）
预后良好组	319	5.9（5.1，6.9）	59.4（53.0，66.5）	4.5（4.1，4.8）	133.0（124.5，144.5）	198.0（171.0，224.0）
预后不良组	351	6.3（5.3，7.8）	61.8（55.3，68.1）	4.5（4.1，4.8）	136.0（125.0，146.0）	198.0（165.0，235.0）
z值		2.12	1.721	0.259	0.731	0.303
P值		0.034	0.085	0.795	0.465	0.762
组别	CRP/（mg·L^-1）	PT/s	DD/（mg·L^-1）	APTT/s	Fib/（g·L^-1）	HbA_1c/%
预后良好组	1.6（0.6，3.1）	10.9（10.5，11.6）	0.4（0.2，0.7）	26.3（24.1，29.5）	2.7（2.3，3.7）	6.3（5.7，7.7）
预后不良组	1.3（0.5，3.4）	11.3（10.8，11.9）	0.4（0.2，0.8）	27.8（24.8，31.4）	3.0（2.6，3.5）	6.3（5.9，7.6）
z值	0.93	2.642	0.844	2.482	1.251	0.801
P值	0.352	0.008	0.399	0.013	0.211	0.423
组别	Hcy/（μmol·L^-1）	TC/（nmol·L^-1）	TG/（mmol·L^-1）	HDL-C/（mmol·L^-1）	LDL-C/（mmol·L^-1）	Glu/（mmol·L^-1）
预后良好组	13.1（11.4，19.7）	4.1（3.6，4.7）	1.4（1.0，2.2）	1.0（0.8，1.2）	2.6（2.2，3.2）	5.1（4.7，6.7）
预后不良组	14.1（11.4，18.3）	4.0（3.3，4.8）	1.2（1.0，1.8）	1.0（0.9，1.2）	2.6（1.9，3.3）	5.3（4.6，6.7）
z值	0.353	0.732	1.866	1.734	0.713	0.042
P值	0.724	0.464	0.062	0.083	0.476	0.967
组别	叶酸/（nmol·L^-1）	Vit B₁₂/（pmol·L^-1）		NIHSS评分/分	GCS评分/分	barthel指数
预后良好组	13.9（9.2，20.7）	287.0（216.0，331.5）		0.0（0.0，1.5）	15.0（15.0，15.0）	100.0（90.0，100.0）
预后不良组	14.5（9.5，21.8）	260.0（206.0，344.0）		2.0（1.0，4.0）	15.0（15.0，15.0）	85.0（70.0，100.0）
z值	0.475	0.528		6.382	1.464	4.286
P值	0.635	0.597		<0.001	0.143	<0.001

项目	AUC	准确率/%	敏感性/%	特异性/%	F1分数	阳性预测值	阴性预测值
Logistic回归分析	0.908	85.6	77.9	93.8	0.848	0.931	0.798
随机森林	0.915	86.1	80.8	91.8	0.857	0.872	0.794
LightGBM	0.908	84.1	80.8	87.6	0.840	0.875	0.810
极限梯度提升	0.896	80.6	76.9	84.5	0.804	0.842	0.774

机器学习算法预测急性缺血性脑卒中患者预后效果评价

Evaluation of prognosis prediction effects in acute ischemic stroke patients based on machine learning algorithms

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 22

相关文章 11

编辑推荐

Metrics

[1]	管超, 黄莺, 宋云霄, 周颖. 基于常规炎症指标构建机器学习模型在区分社区获得性肺炎严重程度中的应用[J]. 检验医学, 2025, 40(7): 680-686.
[2]	王旭梅, 徐冬青, 高莉梅, 章黎华, 姜文理, 王维维, 马娟, 沈立松. 基于机器学习算法建立神经母细胞瘤骨转移风险评估模型[J]. 检验医学, 2025, 40(6): 534-539.
[3]	凌小婷, 潘丽秋, 黄运花, 韦媛媛, 邓小慧, 叶丽花, 林发全, 黄一芳. 基于红细胞形态和相关参数建立地中海贫血和缺铁性贫血机器学习鉴别公式[J]. 检验医学, 2025, 40(4): 365-371.
[4]	伉奕, 张巧玲, 石燕芳, 王玉佳, 陈小丹, 彭佑群. 血清miR-181b和miR-144表达在急性缺血性脑卒中患者早期神经功能恶化中的价值[J]. 检验医学, 2025, 40(1): 73-78.
[5]	黄莺, 周颖, 宋云霄, 茅俊杰, 管超, 赵金燕, 倪佩青. 基于机器学习算法构建血常规指标肺结核诊断模型[J]. 检验医学, 2024, 39(7): 668-672.
[6]	顾亮亮, 王建锋, 乔鑫, 张保朝, 傅国惠. 血清LRG1水平与急性缺血性脑卒中患者认知障碍和卒中复发的关系[J]. 检验医学, 2024, 39(5): 443-448.
[7]	沈展, 卞晓波, 黄莺, 汪思阳, 沈婷婷, 张娴, 宋云霄, 谢连红. 利用机器学习算法初步构建基于常规检验项目的脑卒中复发预测模型[J]. 检验医学, 2024, 39(12): 1190-1195.
[8]	朱倩, 褚丽芳, 马彩云, 姚洁. 血清miR-140-5p、PGC-1α mRNA表达与急性缺血性脑卒中患者血管性认知障碍的相关性[J]. 检验医学, 2023, 38(11): 1069-1074.
[9]	李尽义, 李春雷, 贾永林, 贾东佩. 急性缺血性脑卒中患者血浆ADAMTS-7水平变化及其与预后的关系[J]. 检验医学, 2021, 36(10): 1033-1038.
[10]	陆怡德, 吴佳宁, 彭奕冰. 血清Lp-PLA₂水平在急性缺血性脑卒中患者中的临床应用[J]. 检验医学, 2020, 35(2): 129-133.
[11]	王双, 陈思, 付阳, 毛志刚, 江虹. 机器学习在血细胞分析中智能筛查原始细胞的应用[J]. 检验医学, 2019, 34(12): 1118-1123.