%A 尹俊雄, 余诚, 魏丽霞, 余传勇, 刘红星, 杜明洋, 孙丰, 王崇骏, 王小姗 %T 基于机器学习的脑卒中高危人群无症状性颈动脉狭窄的检测研究 %0 Journal Article %D 2020 %J Chinese Medical Sciences Journal %R 10.24920/003703 %P 297-305 %V 35 %N 4 %U {http://cmsj.cams.cn/CN/abstract/article_3165.shtml} %8 2020-12-31 %X

目的 无症状性颈动脉狭窄(asymptomatic carotid stenosis, ACS)与严重的脑血管病关系密切。早期识别ACS患者及相关危险因素有助于脑卒中的一级预防。本研究旨在探讨一种基于相关危险因素的机器学习算法来检测脑卒中高危人群中ACS发生情况。
方法 依据ACS可能的30项危险因素,我们建立一种新的机器学习模型。该模型的算法采用基于训练数据的随机森林模式,然后利用测试数据计算并校准。所有原始数据均来自中国脑卒中筛查与预防项目(China National Stroke Screening and Prevention Project,CNSSPP)。以脑卒中高危个体为研究对象,按照4:1比例随机分为训练组和测试组。根据颈动脉超声检查结果,将训练组分为ACS组和对照组。用受试者工作特性曲线(receiver operating characteristic, ROC)的曲线下面积(area under the curve,AUC)值来验证模型对检测ACS的有效性。
结果 本研究共纳入2841例脑卒中高危个体,其中326例(11.6%)确诊为ACS。经过模型计算,引起ACS的前五位危险因素是血脂异常家族史、低密度脂蛋白胆固醇升高、高密度脂蛋白胆固醇降低、高龄、和低体重指数。它们的权重分别为11.8%,7.6%,7.1%,6.1%和6.1%。前15位危险因素的总体权重为85.5%。测试组数据验证本机器学习模型在脑卒中高危人群中检测ACS的AUC值为0.888。
结论 本研究证明机器学习算法可用于脑卒中高危人群中ACS的危险因素识别。血脂异常家族史可能是预测ACS发病的首要危险因素。该机器模型可以用作脑卒中一级预防优化临床方法的工具。