预测健康个体和代谢异常患者的脑梗死和短暂性脑缺血发作：一种结合常规血液检查的机器学习方法

快速阅读: 据《Nature.com》最新报道，缺血性脑梗死和短暂性脑缺血发作是主要中风类型，研究利用机器学习结合血液指标开发诊断模型，XGBoost算法表现最优，可有效辅助临床诊断，尤其在医疗资源有限地区。

缺血性脑梗死是全球范围内导致显著残疾和死亡的主要中风类型，短暂性脑缺血发作（TIA）是后续中风的强预测因子。代谢异常，例如高血压、高胆固醇血症和糖尿病，会增加患者患脑梗死（CI）和TIA的风险。在资源有限的情况下，由于缺乏先进的成像技术和专业技能，诊断CI和TIA尤其困难。因此，我们旨在开发一种简单便捷的血液检测方法，以协助临床医生诊断CI和TIA，特别是在先进影像或丰富的中风专业知识有限的地区。

本研究的所有受试者均为2018年1月至2023年9月期间入住厦门大学第一医院的患者及健康体检人群。研究结合了五种机器学习方法以及21个常规血液指标、30个生化指标、年龄和性别，构建了针对健康个体和代谢异常个体的CI和TIA预测模型。曲线下面积（AUC）作为评估模型综合预测能力的指标。随后使用SHAP包进行模型解释。极端梯度提升算法在所有预测模型中表现最佳。

在健康个体预测CI和TIA的模型中，AUC分别为0.9958（0.9947-0.9969）和0.9928（0.9899-0.9951）。两个模型共享的九个关键特征包括葡萄糖代谢、脂质代谢和肝脏代谢指标。对于高血压、高胆固醇血症、糖尿病患者以及三种代谢障碍合并患者的CI和TIA预测模型，AUC范围为0.6990至0.8591。研究发现K指标对预测代谢异常个体的CI和TIA有显著影响。此外，代谢相关指标如葡萄糖（GLU）和高密度脂蛋白胆固醇（HDL-C）在前十大贡献特征中排名靠前。

XGBoost在所有模型中表现最佳，能够通过结合常规血液指标和生化指标有效区分健康人与代谢异常者的CI和TIA，并且还能区分CI和TIA。尽管该模型的任何可疑结果仍需要确认性影像检查，但基于血液检测的简便且低成本特性，可能为临床医生提供实用帮助——尤其是在缺乏高级影像或丰富中风专业知识的地区——并有助于更早做出诊断决策。

(以上内容均由Ai生成)