用于预测急性缺血性中风功能结局的机器学习：来自全国卒中登记的见解

为何预测中风康复很重要

中风来得突然，家庭常常想知道：“我的亲人还能行走、说话并恢复独立生活吗？”医生在时间和信息有限的情况下必须迅速做出治疗决策，但准确预测康复仍然困难。这项来自韩国全国卒中登记的研究展示了现代计算程序（即机器学习模型）如何将大量医疗信息整合在一起，预测患者出院时的功能状况——以及哪些治疗最能显著提高康复的概率。

全国范围的中风护理概况

研究者分析了来自约220家医院、共40,586名因急性缺血性中风入院患者的记录。缺血性中风是最常见的类型，由脑内血管阻塞引起。患者平均年龄约69岁，入院时中风严重程度总体为中等。研究团队利用了丰富的信息集：年龄、性别、吸烟情况、心律问题、其他疾病、有多快到达医院并接受脑部影像、接受了哪些治疗（如溶栓药、取栓术、手术和康复）以及入院的病区类型。出院时，63.6%的患者达到了医生所说的“良好功能结局”，即日常活动中保持独立或仅有轻度残疾。

倾向更好结局的治疗

若干护理方面与出院时更好的日常功能显著相关。接受机械取栓术的患者——医生将导管送入阻塞的脑动脉以机械取出血栓的操作——出院时获得良好功能的可能性超过两倍，尽管这类患者入院时通常中风更严重。康复治疗也显示出强大的益处：在住院期间接受针对性康复的患者获得良好结局的几率接近三倍。年轻和入院时中风较轻与更好康复相关，而合并其他疾病较多则预测更差的结果。有趣的是，吸烟者和接受及时溶栓治疗的患者也倾向于有较好结局，这呼应了其他研究中有争议的“吸烟者悖论”，不过这一发现可能受复杂生物学和护理模式的影响。

教计算机预测康复

为超越传统的一刀切预测评分，团队训练了三类计算模型来预测谁在出院时会有良好功能：随机森林模型、支持向量机和标准逻辑回归。三者使用的都是相同的一组常规收集的临床和治疗变量。随机森林模型——一种将许多决策树组合并让它们投票的方法——表现最佳，以0.87的曲线下面积（AUC）正确区分良好与不良结局。其他两种方法达到0.80。这表明随机森林更善于捕捉中风严重程度、年龄、时间因素和治疗如何相互作用以影响每位患者康复的细微、非线性模式。

模型最看重的因素

通过探查随机森林的内部机制，研究者识别出对其预测贡献最大的因素。最重要的信息是入院时的中风严重度评分，其次是年龄。患者多快到达医院并接受脑部影像也位列前茅，强化了熟悉的“时间就是大脑”信息：延误会悄然削弱获得良好结局的机会。整体健康状况、溶栓药的使用、对吞咽问题的关注以及康复强度也增加了预测能力。值得注意的是，一些与时间和吞咽相关的变量在机器学习模型中显得非常有影响力，但在传统统计分析中不那么明显，这表明计算机可能检测到标准方法漏掉的复杂、类似阈值的效应。

对患者与医院的意义

对患者和家庭而言，这项研究传递的信息既充满希望又脚踏实地。中风后的康复仍然在很大程度上取决于最初损伤的严重程度以及患者既往的健康状况，但治疗选择和医院流程确实能产生实质影响。像本研究开发的机器学习模型最终可能成为急诊室中的安静伙伴，快速综合多项数据，为医生提供更清晰的个体化康复预测，并突出快速治疗和早期康复的益处。明智使用这些工具有助于引导沟通、设定现实预期并支持加强卒中护理体系的政策——从而提高更多患者出院时保持独立的可能性。

引用: Ko, T., Lee, K., Kwon, Y.U. et al. Machine learning for predicting functional outcomes in acute ischemic stroke: insights from a nationwide stroke registry. Sci Rep 16, 5986 (2026). https://doi.org/10.1038/s41598-026-37159-w

关键词: 缺血性中风, 机器学习, 中风预后, 康复, 随机森林模型