基于人工智能驱动的delta-NIHSS模型用于预测急性缺血性中风 (DISCO) 后的复发,残疾和死亡率:一个建模研究
Shiyao Cheng1,2,3, Yuandan Wei2, Huaguang Zheng1
1China National Clinical Research Center for Neurological Diseases, and the Department of Neurology, Beijing Tiantan Hospital, Capital Medical University, Beijing, 100070, China.
EClinicalMedicine
|January 1, 2026
概括
一个新的AI模型,DISCO,准确地预测中风后的结果,如复发,残疾和死亡率,使用NIHSS分数的变化. 这种工具有助于识别高风险患者及时进行干预,改善中风护理.
科学领域:
- 人工智能在医学中的应用
- 临床预测建模临床预测建模
- 脑卒中研究 脑卒中研究
背景情况:
- 脑卒中是全球死亡和残疾的主要原因之一.
- 有效识别高风险患者对于有针对性的干预至关重要.
- 现有的预测模型可能缺乏临床可访问性或可解释性.
研究的目的:
- 开发和验证一个临床上可访问和可解释的人工智能驱动的预测模型,用于中风后复合结果.
- 为了识别患有中风后不良事件高风险的患者.
- 用全面的数据来进行可靠的预后建模.
主要方法:
- 利用了来自中国国家中风登记处 (CNSR-III) 的309个变量极端梯度增强树模型.
- 使用内部和外部队列开发和验证模型,包括CHANCE-2试验和CRCS-5队列.
- 使用沙普利值评估特征重要性,重点关注三角洲-NIHSS (接收-释放).
主要成果:
- DISCO模型整合了16个delta-NIHSS测量和其他临床变量,实现了高AUC (例如,在验证队列2中的3个月残疾为0.852).
- 德尔塔-NIHSS (入院-出院) 是中风复发,残疾和死亡率的最强预测因素.
- 风险最高的前1%的患者在3个月内显著增加了不良结果的相对风险.
结论:
- 迪斯科模型在预测中风后结果方面表现出高度准确性,稳定性和可解释性.
- 德尔塔-NIHSS的预测能力提供了机理性的见解,并可能指导未来的中风治疗和康复.
- 需要在多种不同人群中进行进一步的验证和机制研究.
