Stroke：PRERISK——基于AI和统计学的个性化中风复发预测器

一直以来，想要准确预测个体患者的中风复发很困难，但个性化预测可提高中风幸存者的自我护理参与度。为此，来自西班牙巴塞罗那大学的学者开发了 PRERISK：一种预测个人中风复发风险的统计和机器学习分类器，相关结果发表在近期Stroke杂志上。

研究人员分析了基于公共医疗保健的前瞻性数据集中的临床和社会经济数据，该数据集包含西班牙加泰罗尼亚地区 88 家公共医疗中心在 6 年内（2014-2020 年）收治的 41 975 名确诊为中风的患者。指数事件发生至少 24 小时后诊断出的新中风被视为复发性中风，这也是我们关注的结果。首先训练了几个有监督的机器学习模型来提供随时间变化的个体化风险，并将它们与 Cox 回归模型进行了比较。模型分别用于预测 90 天内、91 天至 365 天内和大于 365 天内的早期、晚期和长期复发风险。C 统计量和接收者操作特征曲线下面积用于评估模型的准确性。

总体而言，在中位 2.69 年的随访期间，16.21% 的患者（36 114 例中的 5932 例）中风复发。中风复发的最有力预测因素是距上次中风的时间、Barthel指数、心房颤动、血脂异常、年龄、糖尿病和性别，这些因素与可改变的血管风险因素（血糖、体重指数、高血压、胆固醇、烟草依赖和酗酒）一起被用于创建一个性能相似的简化模型。早期、晚期和长期复发风险的接收器操作特征曲线下面积分别为 0.76（95% CI，0.74-0.77）、0.60（95% CI，0.58-0.61）和 0.71（95% CI，0.69-0.72）。

Cox风险分级概率的接收器操作特征曲线下面积分别为0.73（95% CI，0.72-0.75）、0.59（95% CI，0.57-0.61）和0.67（95% CI，0.66-0.70）；机器学习方法（随机森林和AdaBoost）在3个复发时间段内较Cox模型有显著的统计学改进（P<0.05）。此外，在对可改变因素进行不同程度控制的情况下，可以模拟每位患者的卒中复发曲线。

综上，PRERISK 是一种新颖的方法，可提供个性化且相当准确的中风复发风险预测。该模型具有动态控制风险因素的潜力。

参考文献：

PRERISK: A Personalized, Artificial Intelligence–Based and Statistically–Based Stroke Recurrence Predictor for Recurrent Stroke. Stroke. 2024;55:1200–1209. https://doi.org/10.1161/STROKEAHA.123.043691