3. 讨论

本研究利用MIMIC-Ⅳ数据库中重症缺血性脑卒中患者数据构建了一个EBM模型，以预测缺血性脑卒中一年的死亡风险。基于公开数据库，建模所涉及的信息是客观的，样本量充足，且容易获得。本研究构建的EBM模型具有良好的区分度（AUC=0.857）与校准度（Brier score=0.135），且具有较强的可解释性，综合表现优秀，可辅助医生进行决策，达到了预期目标。

重症缺血性脑卒中是一种多因素疾病，若干危险因素对其结果有影响。根据EBM模型变量重要性分析结果显示：年龄，SOFA评分，平均心率，机械通气，平均呼吸频率等因素与重症缺血性中风患者生存率密切相关。一般来说，脑卒中是一种衰老性疾病。此外，衰老会加重脑卒中后的脑损伤，与衰老相关的脑内基础Bcl-2基因表达的减少会增加脑卒中后的细胞凋亡从而加重神经损伤 ^{[ 25 ]} 。相关文献报道年龄是缺血性脑卒中独立的危险因素。随着年龄的增长，大脑储备能力减弱，导致老年患者的预后恶化 ^{[ 26 ]} 。一项关于继发性腹膜炎重症患者死亡风险因素的研究显示 ^{[ 27 ]} ，随着SOFA评分的增加，提示感染加剧，患者死亡率呈阶梯式上升。另有研究显示 ^{[ 28 ]} ，在入院24 h内SOFA评分增加2分或以上对院内死亡率及预测ICU住院时间的综合结果相比系统性炎症反应综合征标准（SIRS）及qSOFA评分更好。根据Etienne等 ^{[ 29 ]} 的一项多中心队列研究，在需要机械通气的急性脑卒中患者中，插管的原因和是否接受急性期插管治疗与其一年生存率独立相关。其余预测指标也与既往研究相似 ^{[ 5 , 30 ]} 。

近年来，使用机器学习方法预测脑卒中预后的研究不断涌现。Thomas等 ^{[ 18 ]} 使用奥地利脑卒中登记中心的数据预测缺血性卒中患者入院早期死亡风险，在这项研究中正则化Logistic回归预测缺血性脑卒中患者早期死亡的AUC可达0.88；Fernandez等 ^{[ 19 ]} 使用随机森林模型预测脑卒中三个月内的死亡率和功能结局，模型具有良好的预测能力，AUC最高为0.91；Lehmann等 ^{[ 31 ]} 使用机器学习方法构建临床、影像学和生物标志物联合预测缺血性脑卒中1年内死亡模型，其中神经网络模型达到最高准确性，AUC为0.97；有研究基于前瞻性队列研究使用机器学习预测3个月后Rankin量表评分结果，结果显示深度神经网络模型的AUC可达0.88 ^{[ 32 ]} 。以上研究除使用本研究中的变量外，还包括脑卒中的特定变量，如NIHSS评分或神经影像学结果等，这可能是导致模型预测效能高于本研究的原因之一。但模型的准确性指标只是模型预测能力的部分体现，如果模型缺乏可解释性也很难应用于临床实践，本研究使用内在可解释性模型在达到与复杂黑箱模型相似准确性的前提下，增加了模型的可解释性，有利于增强临床使用者对预测结果的信心与信任。

尽管本研究模型表现良好，但也有其局限性：（1）受限于数据库信息本研究未纳入与缺血性脑卒中相关的NIHSS评分、神经影像学数据等；（2）本研究基于MIMIC-Ⅳ公共数据库，尚未使用我国数据对模型进行外部验证；（3）尚未使用最近提出的其他内在可解释模型例如基于规则的Falling Rule Lists模型、基于神经网络的GAMI-Net模型等进行对比验证。

综上所述，本研究基于MIMIC-Ⅳ数据库构建了一个用于预测重症缺血性脑卒中患者一年死亡率的内在可解释机器学习模型，该模型分类性能良好、表现稳定，且具有较强的可解释性，可以辅助医生对患者进行合理的预后评估与治疗。在今后的研究中考虑纳入临床轨迹、神经影像学信息及用药信息等提升变量数据维度，同时也需要使用更具代表性的外部数据来进一步支持我们的结论。

Biography

Funding Statement

上海市公共卫生体系建设学科带头人计划（GWV-10.2-XD05）；上海市产业协同创新项目（2021-cyxt1-kj10）

References