在过去的十年中，机器学习（ML）技术已成功应用于急性缺血性卒中（AIS）领域。目前的应用包括协助中风诊断的ML算法，其中有几个是商业化的，可以帮助检测大血管闭塞（LVO）和识别灌注成像不匹配的患者。

 

图1： 论文封面图

由于ML构成了一个多样化的方法类别，并有能力处理数据集中的线性和非线性相互作用，ML算法在AIS中的应用可能在预测病人的结果方面有希望。以前的研究利用ML模型预测AIS患者在MT后的结果，基本上报告了传统的逻辑回归方法和ML算法之间相似的预测准确性。尽管ML模型在基线和治疗变量上都进行了训练，但这些研究中的变量选择方法以及变量的可用性都有所不同。

一些研究表明，早期神经系统状态（由24小时NIHSS测量）与90天的功能结果有关。 因此，24小时NIHSS评分仍然是接受EVT治疗的AIS患者长期功能结局的潜在替代标志。最近，Mistry等人研究了24小时NIHSS评分作为多中心血管内中风治疗（Best）研究中患者90天功能结局的预测指标。当对基线NIHSS进行调整后，24小时NIHSS评分被证明是二分法和序数法90天功能结局的最强预测因素。

藉此，美国University of Toledo大学的Alicia C. Castonguay等人，研究了在24小时NIHSS评分基础上训练的多种ML算法与传统的逻辑回归（T-LR）在预测急性缺血性中风患者神经血栓切除装置治疗的前瞻性系统评估（STRATIS）注册中的功能结果的预测准确性。

他们使用ML模型、自适应提升、随机森林（RF）、分类和回归树（CART）、C5.0决策树（C5.0）、支持向量机（SVM）、最小绝对收缩和选择操作者（LASSO）和逻辑回归（LR），以及传统的LR模型来预测90天的功能结果（改良的Rankin量表评分0-2）。在所有模型中，24小时美国国立卫生研究院卒中量表（NIHSS）被作为一个连续或二分变量来研究。使用特征曲线下面积（AUC）评估模型的准确性。

图2：论文结果图

 

在所有模型中，24小时NIHSS评分是功能结局的首要预测因素。使用连续24小时NIHSS评分的ML模型显示出中等至良好的预测性能（平均AUC范围：0.76-0.92）；然而，RF（AUC：0.92±0.028）优于所有ML模型，除了LASSO（AUC：0.89±0.023，P=0.0958）。

重要的是，当利用24小时连续NIHSS评分时，RF表现出明显高于LR（AUC:0.87±0.031，p=0.048）和传统LR（AUC:85±0.06，p=0.035）的预测价值。24小时NIHSS评分的二分法和连续ML模型的预测准确性相似。

在这项子研究中，他们发现在ML模型中利用24小时NIHSS评分作为连续变量或二分变量时，对功能结果的预测准确性相似。ML模型具有中等至良好的预测准确性，其中RF模型的表现优于LR模型。有必要对这些ML模型进行外部验证。

 

原文出处：
Schirinzi T, Maftei D, Passali FM, et al. Olfactory neuron Prokineticin‐2 as a potential target in Parkinson’s disease. _Annals of Neurology_. Published online October 11, 2022:ana.26526. doi:[10.1002/ana.26526](https://doi.org/10.1002/ana.26526)