賴海芳，顧琳，縱亞，牛傳欣，謝青

1.上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院，上海市 200025；2.上海市瑞金康復(fù)醫(yī)院，上海市 200023

0 引言

我國是世界上腦卒中負擔(dān)最重的國家，腦卒中的患病率高、發(fā)病率高、死亡率高，其中缺血性腦卒中發(fā)生率和患病率分別為69.6%和77.8%[1]。對于缺血性腦卒中，多種血清學(xué)和臨床數(shù)據(jù)對評估病情嚴重程度、指導(dǎo)臨床治療和判斷預(yù)后有重要參考價值[2-4]；而如何分析豐富的臨床信息，以精準預(yù)測患者預(yù)后，制定個體化治療方案，是康復(fù)工作的重點之一。

Logistic 回歸是常用的分析方法，主要用于尋找疾病的危險因素、預(yù)測疾病的發(fā)生風(fēng)險等[5]。Logistic回歸采用的是線性模型，當(dāng)各自變量與因變量為非線性關(guān)系時，預(yù)測效果不夠理想[6]。

人工神經(jīng)網(wǎng)絡(luò)是一種仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的信息處理算法，具有很強的非線性函數(shù)逼近能力和自組織自學(xué)習(xí)能力。由于缺血性腦卒中患者的結(jié)局涉及復(fù)雜的臨床指標，存在較強的非線性聯(lián)系，適合采用人工神經(jīng)網(wǎng)絡(luò)模型進行分析[7]。其中，多層感知器(multiple layer perceptron,MLP)神經(jīng)網(wǎng)絡(luò)應(yīng)用范圍較廣，擴展性也強，使用通用的函數(shù)近似方法擬合復(fù)雜的函數(shù)，可以解決非線性分類問題[8]。本研究分別采用Logistic 回歸和MLP 神經(jīng)網(wǎng)絡(luò)兩種方法構(gòu)建亞急性期缺血性腦卒中的預(yù)后判斷模型，比較兩種模型的預(yù)測效能。

1 資料與方法

1.1 一般資料

回顧性收集2019 年1 月至2021 年9 月在上海市瑞金康復(fù)醫(yī)院康復(fù)科住院的亞急性期缺血性腦卒中患者60 例，均符合《中國急性缺血性腦卒中診治指南2018》確定的缺血性腦卒中診斷標準，并經(jīng)頭顱CT或MRI確診。

納入標準：①首次發(fā)作；②病程<30 d[9]；③自愿簽署知情同意書。

排除標準：①既往腦出血、腦梗死、腦外傷、中樞系統(tǒng)感染、腦腫瘤等；②并發(fā)嚴重肝腎功能不全；③并發(fā)嚴重心血管疾病、自身免疫性疾病、惡性腫瘤等，嚴重影響身體功能；③近2 周有手術(shù)史、全身炎癥性疾??；④精神障礙、嚴重認知障礙等，不能配合檢查。

本研究經(jīng)上海市瑞金康復(fù)醫(yī)院倫理委員會審查通過(No.RKIRB2021-18)。

1.2 方法

1.2.1 特征變量

由康復(fù)?？漆t(yī)師從電子化病歷系統(tǒng)和檢驗檢查管理系統(tǒng)中收集所有入組患者的臨床資料，包括性別、年齡、既往史(高血壓、糖尿病病史)、個人史(吸煙史、飲酒史)、實驗室檢查〔C-反應(yīng)蛋白(C-reactive protein,CRP)、白蛋白、空腹血糖、脂蛋白a、D-D 聚體、B型鈉尿肽〕。所有患者根據(jù)入院時美國國立衛(wèi)生研究院卒中量表(National Institutes of Health Stroke Scale,NIHSS)分為低分組(<11 分)和高分組(>11 分)。隨訪以再次入院的形式進行，采用改良Rankin 量表(modified Rankin Scale,mRS)評估患者首次入院3 個月后的功能結(jié)局，0～3 分為預(yù)后良好，4～5 分為預(yù)后不良。

患者各特征變量見表1。

表1 入組患者特征變量

1.2.2 統(tǒng)計學(xué)分析

采用SPSS 20.0 統(tǒng)計軟件進行數(shù)據(jù)分析。采用單因素分析(分類變量采用χ2檢驗，數(shù)值變量采用方差分析，顯著性水平α=0.05)篩選出與預(yù)后相關(guān)的變量，以此作為多因素Logistic 回歸分析的自變量和MLP 神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點。計算兩種模型的預(yù)測準確率，采用接受者操作特征(receiver operating characteristic,ROC)曲線評估預(yù)測效應(yīng)。

2 結(jié)果

2.1 單因素分析

60例患者中，預(yù)后良好與預(yù)后不良各30例，χ2檢驗結(jié)果見表2，方差分析結(jié)果見表3。共篩選出5 個與短期預(yù)后相關(guān)聯(lián)的變量，分別是年齡、CRP、白蛋白、脂蛋白a和入院NHISS評分。

表2 短期預(yù)后相關(guān)特征變量的χ2檢驗結(jié)果 單位：n

表3 短期預(yù)后相關(guān)特征變量的方差分析結(jié)果

2.2 模型建立

將單因素分析篩選出的5個特征變量作為自變量，以短期預(yù)后(預(yù)后良好=0，預(yù)后不良=1)為因變量，進行多因素Logistic 回歸分析，加入和剔除的顯著性水平α 分別為0.05 和0.1，年齡、脂蛋白a 和入院NHISS評分為預(yù)后的獨立影響因素。見表4。

表4 多因素Logistic回歸分析結(jié)果

60 例患者任選42 例的數(shù)據(jù)用于模型訓(xùn)練，另18例的數(shù)據(jù)用于模型評價。采用多層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，共軛梯度優(yōu)化算法，以單因素分析篩選出的5 個變量作為輸入層節(jié)點，隱藏層層數(shù)1，隱藏層節(jié)點數(shù)1～50，預(yù)后結(jié)果為輸出層唯一節(jié)點，建立MLP 模型。標準化處理后，5個變量的重要性見圖1。

圖1 各因素標準化后對MLP模型的重要性

2.3 模型比較

兩種模型預(yù)測結(jié)果見表5。MLP 預(yù)測模型準確率高于Logistic回歸模型。

表5 兩種模型預(yù)測結(jié)果比較

Logistic回歸模型ROC 曲線下面積為0.851，MLP模型曲線下面積為0.930。見圖2。

圖2 兩種模型預(yù)測效應(yīng)的ROC曲線

3 討論

人工神經(jīng)網(wǎng)絡(luò)模擬人腦思考結(jié)構(gòu)，在處理非線性復(fù)雜關(guān)系時有特別的優(yōu)勢[10]。隨著人工智能技術(shù)發(fā)展，越來越多的人工神經(jīng)網(wǎng)絡(luò)算法被應(yīng)用于圖像檢查、生物信號檢測、疾病專家系統(tǒng)等醫(yī)學(xué)領(lǐng)域[10-13]。相比其他神經(jīng)網(wǎng)絡(luò)模型，MLP神經(jīng)網(wǎng)絡(luò)在處理連續(xù)變量關(guān)系時有一定優(yōu)勢，本研究采集的指標經(jīng)單因素分析篩選后均為連續(xù)變量，故采用MLP 神經(jīng)網(wǎng)絡(luò)。研究顯示，MLP 模型不僅預(yù)測準確率高于Logistic 回歸模型，還能將各影響因素進行重要性排序。多因素Logistic回歸篩選出3個短期預(yù)后的獨立影響因子，分別為年齡(OR=1.090)、入院NHISS 評分(OR=1.228)和脂蛋白a (OR=1.029)。MLP 模型的重要性排序依次為年齡、入院NHISS 評分、脂蛋白a、白蛋白、CRP，兩者結(jié)論基本一致。

本研究顯示，年齡是影響亞急性期缺血性腦卒中患者短期預(yù)后最重要的危險因素。多項研究表明[14-15]，年齡是腦卒中預(yù)后不良和死亡的主要影響因素之一。

NIHSS 有較高的效度和信度，在缺血性腦卒中評估中被廣泛使用。入院NHISS評分的高低直接反映患者神經(jīng)功能缺損程度[16]。本研究顯示，NHISS 評分是亞急性期缺血性腦卒中患者短期預(yù)后的良好預(yù)測因子，與Ahmed等[17]的結(jié)果一致。

脂蛋白a 具有多種功能，包括促動脈粥樣硬化、促凝血酶原和促炎癥[18]。血清脂蛋白a 水平升高與心血管疾病風(fēng)險增加相關(guān)，尤其是心肌梗死、腦卒中和主動脈瓣鈣化狹窄[19-21]。Zhang等[22]發(fā)現(xiàn)，與健康人相比，急性缺血性腦卒中患者血清脂蛋白a 水平顯著升高；功能預(yù)后不良的患者血清脂蛋白a 水平更高。與本研究結(jié)果一致。

本研究存在一些不足。臨床資料只選取13 個變量，而諸如腦卒中部位、認知水平、意識狀態(tài)、情緒障礙、溶栓治療以及其他血液標志物等，也可能對腦卒中患者預(yù)后發(fā)生影響；本研究只隨訪了首次腦卒中后3個月時的功能狀態(tài)，未觀察長期預(yù)后。

現(xiàn)有研究多關(guān)注腦卒中急性期的預(yù)后相關(guān)危險因素[23-25]，對亞急性期預(yù)后相關(guān)危險因素的研究不多。患者進入亞急性期后康復(fù)階段時，如能應(yīng)用MLP 模型充分了解患者預(yù)后及其危險因素和重要程度，有望提升康復(fù)治療方案的精準性和個體化水平。

利益沖突聲明：所有作者聲明不存在利益沖突。