目的 构建基于机器学习算法的急性缺血性脑卒中静脉溶栓治疗相关的颅内出血转化(thrombolysis of plasminogen activator related hemorrhage transformation, tPA-HT)预测模型。方法 回顾性分析2010年1月至2022年12月作者医院连续收治...目的 构建基于机器学习算法的急性缺血性脑卒中静脉溶栓治疗相关的颅内出血转化(thrombolysis of plasminogen activator related hemorrhage transformation, tPA-HT)预测模型。方法 回顾性分析2010年1月至2022年12月作者医院连续收治的967例接受静脉溶栓治疗的急性缺血性脑卒中患者。根据静脉溶栓后48 h内是否出现颅内出血转化将患者分为tPA-HT组和无tPA-HT组,比较两组患者一般资料、临床资料、实验室检查和影像学检查资料之间的差异,采用随机森林算法构建tPA-HT的机器学习预测模型,采用准确率(accuracy)和受试者工作特征曲线下面积(the area under the receiver-operating characteristic curve, ROC-AUC)评价模型的预测性能,采用部分依赖图(partial dependence plot, PDP)和SHAP(SHapley Additive exPlanations, SHAP)摘要图评价模型的可解释性。结果 (1)tPA-HT组和无tPA-HT组在年龄、房颤病史、白细胞计数、血小板计数、国际标准化比值、美国国立研究院卒中量表(NIHSS)评分、TOAST分型、头CT显示大面积脑梗死征象和大脑中动脉高密度征之间的差异具有统计学意义(均P<0.05);(2)基于29项预测变量构建了tPA-HT机器学习预测模型,其准确率为0.896,ROC-AUC为0.882,模型的预测性能良好;(3)可解释性分析显示,NIHSS评分和头CT大面积脑梗死征象是tPA-HT的主要影响因素。结论 基于机器学习的tPA-HT模型具有良好的预测性能,可以为急性缺血性脑卒中患者静脉溶栓治疗提供更加精准的颅内出血转化风险预测。展开更多
