论文部分内容阅读
目的:探索XGBoost机器学习模型在缺血性卒中后早期认知损害诊断方面的应用,评价其诊断能力,并与传统的logistic联合诊断模型进行比较。方法:连续纳入2013-2015年在浙一医院神经内科住院治疗的334名缺血性卒中患者,记录其人口学特征,收集各项临床资料,评价认知功能,并根据认知诊断标准对其进行诊断,分为认知功能正常和认知损害两种诊断结果。将所有病例按2:1的比例随机分配至两组,分别作为训练集和验证集,用于模型的构建和验证评价。分别使用传统的logistic回归的方法和机器学习的方法基于训练集建立联合诊断模型,用于卒中后认知损害的快速诊断。然后用验证集进行测验,以评价其各项性能。分析两者的受试者工作特征曲线(ROC曲线),比较其区分度,并计算净重新分类指数(NRI),以比较两种模型的诊断准确性。结果:334例缺血性卒中患者早期血管性认知损害的发生率为62.6%。训练集220例,141例被诊断出认知损害;验证集114例,68例有认知损害。筛选出用于构建诊断模型的相关因素分别为:年龄、教育、BMI、收缩压、血清甘油三酯、血清总胆固醇、糖化血红蛋白、脑梗死部位、脑白质疏松(Fazekasscale)、mRS评分。在训练集计算基础上,Logistic联合诊断模型和机器学习模型的曲线下面积(AUC)分别为 0.77(95%CI:0.71-0.84)和 0.85(95%CI:0.79-0.90),当取截断值分别为0.52和0.62时,这两个模型灵敏度分别为72%和79%,特异度分别为73%和73%。在验证集计算基础上,Logistic联合诊断模型和机器学习模型的曲线下面积分别为 0.74(95%CI:0.65—0.83)和 0.73(95%CI:0.63—0.82),灵敏度分别为 75%和66%,特异度为57%和65%。相对于传统的logistic联合诊断模型,新型的机器诊断模型在训练集中的净重新分类指数NRI=0.158,Z=2.323,P=0.020,说明在训练集中机器模型的诊断能力有明显改善。但在验证集中尚未观察到差异。结论:对缺血性卒中后早期认知损害诊断方面,XGBoost机器学习模型在训练集中优于传统的logistic联合诊断模型,具有较好的应用前景。