基于人工智能算法的脑卒中溶栓药物精准治疗： 真实世界研究

摘要: 背景　缺血性脑卒中（IS）起病急，治疗时间窗窄，治疗效果的影响因素复杂，患者自身情况各异，因此治疗方式、给药种类、给药剂量、给药方式均会影响患者的溶栓效果。既往研究常利用统计方法分析溶栓效果的影响因素，人工智能算法在该方面的临床应用尚少见。 目的　基于真实世界的数据，建立 IS 患者从患者一般特征、药物治疗方式到恢复效果的人工智能算法模型，实现患者的个体化溶栓药物精准治疗，为临床用药决策提供数据支持。方法　采用回顾性研究方式，从大连医科大学附属第二医院医渡云科研大数据服务器系统提取本院确诊为 IS 的患者（ n=55 621）的临床信息，时间为 2001-01-01 至 2021-12-31。依据纳入标准共筛选出信息完整的 IS 患者 1 855 例，依据每位患者入院与出院时美国国立卫生研究院卒中量表（NIHSS）评分差值评价患者溶栓效果，并将患者分为神经功能改善组（差值≥ 4 分为神经功能改善， n=1 236）和对照组（差值 <4 分为为神经功能未改善， n=619）。经 3 位神经内科高级职称专家背对背推荐，并结合查阅的 IS 诊治指南及文献，整理可能与 IS 发作后溶栓效果相关的影响因素，归类为患者一般特征、用药指标、检查指标、检验指标、治疗方式 5 类。首先进行影响因素的单因素筛选，再利用主成分分析法对影响因素做降维处理。构建 Logistic 回归模型、支持向量机（SVM）、C5.0 决策树、深度神经网络（DNN）
及 Wide&Deep 模型，进行模型对比评价，比较不同模型对 IS 患者溶栓效果的预测情况，确定最佳模型，进而寻找模型的最优参数。将 1 855 例患者的临床信息进行分割处理，随机数为 7 和 11，随机分为训练集（1 113 例）、验证集（371例）、测试集（371 例），其中训练集用来构建和训练模型以发现规律，验证集用来调整模型参数，测试集用来评价最终模型的泛化能力。应用特征工程构建简化模型并评估模型准确度。从大连市中心医院的医渡云科研大数据服务器系统中提取 IS 患者的临床信息（共提取 3 925 例），利用其数据进行外部验证。 结果　共纳入 26 个患者特征（即溶栓效果影响因素）进行模型构建。经主成分分析降维成 2 个主成分，累计方差贡献率为 93.1%。比较 Logistic 回归模型、SVM、C5.0 决策树、DNN 及 Wide&Deep 模型预测溶栓效果的价值，发现 Wide&Deep 模型的预测性能最佳，准确度为81.5%，F 指数为 87.1%。训练集 ROC 曲线下面积为 0.753，测试集 ROC 曲线下面积为 0.793。确定 Wide&Deep 模型的隐含层层数为 7 层，每层神经元为个数为 15 个，以 Sigmoid 作为激活函数，模型参数最优。IS 患者溶栓治疗后神经功能改善影响因素的特征工程分析结果显示，用药种类、给药方式和用药剂量的重要性排序均在前列，重要性排序由大到小分别为：脑血管病史、用药种类、给药方式、单次剂量、动脉粥样硬化、溶栓时间窗、是否使用抗凝药物和活血化瘀药物等。模型自变量简化后得出，Wide&Deep 模型准确度为 0.819，模型自变量简化后外部验证的准确度为 0.801。结论　Wide&Deep 模型各项评价指标优异，影响溶栓效果的因素排序由大到小分别为：脑血管病史、用药种类、给药方式、单次剂量、动脉粥样硬化、溶栓时间窗、是否使用抗凝药物和活血化瘀药物等。通过人工智能算法从影响因素和个体化给药方面可为临床医生提供及时和有效的 IS 患者药物溶栓治疗方案，对减轻疾病社会负担具有积极意义。