《Frontiers in Neurology》:Post-stroke sequelae risk score (PSSRS): a 16-year retrospective study developing an internally validated multi-algorithm model for post-stroke sequelae
编辑推荐:
引言:卒中后遗症(post-stroke sequelae, PSS)包括卒中后持续存在的功能损害,可能受益于早期风险分层。研究人员开发并内部验证了一种基于常规可用临床和生化变量的时间至事件预测模型。方法:该回顾性单中心队列纳入2008年至2024年在Zhuj
引言:卒中后遗症(post-stroke sequelae, PSS)包括卒中后持续存在的功能损害,可能受益于早期风险分层。研究人员开发并内部验证了一种基于常规可用临床和生化变量的时间至事件预测模型。方法:该回顾性单中心队列纳入2008年至2024年在Zhujiang Hospital住院的2,095例急性卒中患者。评估了37个候选变量。在预处理、特征选择、调参和模型比较前,将队列按7:3分为训练集(n=1,467)和内部测试集(n=628)。单变量Cox、多变量Cox、最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)以及随机生存森林(random survival forest, RSF)分析识别出8个交集变量。使用训练集重采样比较了101个生存模型管线;随后在内部测试集评估所选模型。结果:StepCox(forward)+RSF管线显示出最高的预设训练重采样性能。其Harrell C-index在训练集中为0.87,在内部测试集中为0.85。测试集1、3和5年时间依赖受试者工作特征曲线下面积(time-dependent AUROC)分别为0.800(95% CI,0.760–0.840)、0.830(0.790–0.870)和0.820(0.780–0.860);相应精确率-召回率曲线下面积(AUPRC)为0.748、0.772和0.761,Brier评分为0.140、0.170和0.180。校准斜率分别为0.96、0.93和0.90。乳酸脱氢酶(lactate dehydrogenase, LDH)、肌酸激酶-MB(creatine kinase-MB, CK-MB)和直接胆红素(direct bilirubin, DBIL)是模型解释分析中的主要贡献变量。结论:PSSRS提供了一个内部验证框架,用于估计卒中后遗症个体化风险。在临床实施前,需要外部时间和多中心验证。
研究背景与问题:脑卒中(stroke)是急性脑血管疾病,由血栓形成导致脑供血不足或脑血管破裂出血引起脑组织损伤。世界卫生组织统计显示,全球每年约有1500万新发卒中病例。血管内取栓(endovascular thrombectomy, EVT)是符合条件急性缺血性卒中(acute ischemic stroke, AIS)患者的重要治疗,但本队列纳入急性卒中住院患者,并不限于EVT受者。卒中后遗症(post-stroke sequelae, PSS)可在不同治疗路径中发生。全球93.816 million卒中幸存者目前存在长期后遗症,生活质量显著下降。PSS不仅导致认知、运动、语言功能长期损害,还显著增加残疾率和并发症风险,加重社会与医疗负担。PSS发生与不可逆脑组织损伤密切相关,机制尚不明确,通常认为涉及患者相关因素、生化因素(如兴奋性神经递质释放、钙超载、氧化应激、神经炎症、血脑屏障功能障碍)和手术相关因素。传统卒中后状态评估主要关注年龄、神经功能缺损程度和语言/认知功能,但主观因素显著,缺乏统一、客观、标准化的预测价值。多数生化标志物预测PSS的研究集中于有卒中风险的亚健康人群,针对PSS发生的预测研究有限。机器学习和人工智能在医学领域应用增加,但现有卒中机器学习研究多预测疾病本身临床症状,对PSS预后预测关注不足,且常存在样本量有限、变量单一、人群代表性不足、采用单算法、缺乏多模型整合设计等问题。多因素结合和多种机器学习模型整合可提高结局预测准确性。因此,研究人员旨在基于卒中患者临床和生化指标,结合多种机器学习算法构建PSS发生风险预测模型,以促进早期识别和干预,改善患者预后与生活质量,为卒中康复和二级预防提供理论依据。
关键技术与方法概述:该研究为单中心回顾性队列,样本来自Zhujiang Hospital神经外科2008—2024年急性卒中住院患者,共筛选2,773例,纳入2,095例,不限制EVT状态。伦理批准号为2024-KY-231-04。时间零点为指数卒中入院,主要结局为急性治疗后首次记录的持续PSS功能损害时间,无事件者于末次随访右删失。37个候选预测变量主要取入院24 h内首次合格实验室测量。队列在预处理前按7:3分层分为训练集1,467例和锁定内部测试集628例。缺失超过15%的变量被排除,随机森林插补在训练集估计并应用于测试集。采用单变量Cox、多变量Cox、LASSO和RSF四方法筛选,取交集8个变量。比较101条预设生存模型管线,以训练集重采样交叉验证Harrell C-index为主排序,选择StepCox(forward)+RSF并在内部测试集一次评估。评估C-index、时间依赖AUROC、AUPRC、Brier评分、校准和决策曲线分析(decision curve analysis, DCA);采用SHAP(SHapley Additive exPlanations)解释;并以LDH、CK-MB、DBIL构建简化Cox列线图(nomogram)和Shiny应用。
基本临床信息:在2,095例患者中,1,050例在观察随访中有记录PSS事件,1,045例无记录PSS事件并右删失。中位随访为1,175天(IQR,602–1,626天)。基线特征按观察结局分层描述,训练集和内部测试集的描述性比较另行报告。
PSSRS模型构建与性能比较:四种训练集特征选择方法分别保留13、16、10和18个变量,其交集为同型半胱氨酸(homocysteine, HCY)、CK-MB、LDH、γ-谷氨酰转移酶(gamma-glutamyl transferase, GGT)、高密度脂蛋白胆固醇(high-density lipoprotein cholesterol, HDL-C)、静脉血糖(Glu (venous))、DBIL和CK-MB/CK。方差膨胀因子(variance inflation factor, VIF)和Spearman相关分析未发现最终8个变量中预设阈值违规,但相关的CK-MB和CK-MB/CK项被谨慎保留。敏感性比较显示,8变量交集模型内部测试C-index为0.850,1、3和5年AUROC分别为0.800、0.830和0.820;27变量并集模型分别为0.842和0.791、0.818、0.808;37变量全候选模型分别为0.831和0.781、0.806、0.795。101条预设候选管线中,StepCox(forward)+RSF具有最高训练集重采样性能,并在内部测试评估前锁定。最终模型内部测试C-index为0.85。基于训练导出的风险切点,训练集高/低风险组分别为733/734例,内部测试集为391/237例,log-rank p分别为p<0.0001和p=0.00051。总体队列中高风险1,124例、低风险971例。
PSSRS预测性能评估:训练集AUROC分别为0.850、0.880和0.870。内部测试集AUROC分别为0.800(95% CI,0.760–0.840)、0.830(0.790–0.870)和0.820(0.780–0.860)。相应测试集AUPRC为0.748、0.772和0.761,Brier评分为0.140、0.170和0.180。内部测试集1、3和5年校准截距为0.02、0.05和0.08,校准斜率为0.96、0.93和0.90,预期与观察比(expected-to-observed ratio, E/O)为1.02、1.04和1.07。决策曲线显示,在部分临床相关阈值范围内,PSSRS净获益高于treat-all和treat-none策略。5折和10折训练集交叉验证平均AUROC分别为0.818(SD 0.022)和0.821(SD 0.017)。
PSSRS关键生物标志物探索:RSF变量重要性和基于Python的SHAP分析互补描述预测因子贡献。平均绝对SHAP图总结全局重要性,beeswarm图显示个体贡献的方向和异质性。LDH、HCY、CK-MB和DBIL是领先的SHAP特征,而LDH、CK-MB和DBIL也在RSF排名中突出。决策图展示累积特征贡献,force图展示一例高风险和一例低风险内部测试患者的局部预测模式。
PSSRS对临床支持的贡献:简化列线图包括LDH、CK-MB和DBIL。在内部测试集中,其1、3和5年AUROC分别为0.750、0.780和0.770,较完整PSSRS在各时间点绝对降低0.050。配对患者级bootstrap比较(1,000次重采样)的95%置信区间在所有时间点均包含0(p分别为0.18、0.16和0.11)。校准和决策曲线作为描述性内部验证结果报告。简化列线图还可作为交互式Shiny应用,用于个体化1、3和5年无PSS概率估计,网址为https://stroke.shinyapps.io/DynNom_Sequelae_of_Stroke/。
讨论总结:研究人员开发了针对急性卒中住院患者(包括但不限于接受EVT者)的PSS时间至事件模型。在101条候选管线中,StepCox(forward)+RSF显示出数值最高的训练重采样性能,并在内部测试评估前被选择。内部测试1、3和5年AUROC为0.800、0.830和0.820,C-index为0.85,表明中度至良好区分度。与训练集C-index 0.87的适度差异反映模型开发中的预期乐观。这些发现提示常规收集的生化标志物对卒中后风险分层具有潜在价值,并为未来外部验证提供基础。八个保留预测因子为LDH、CK-MB、DBIL、CK-MB/CK、HCY、GGT、HDL-C和入院时静脉血糖(Glu (venous))。讨论指出,这些发现与既往研究一致:入院或围治疗期高血糖与急性缺血性卒中短期和长期不良结局显著相关,并可预测机械取栓后功能恢复较差;LDH升高与较高美国国立卫生研究院卒中量表(National Institutes of Health Stroke Scale, NIHSS)/改良Rankin量表(modified Rankin Scale, mRS)评分和不良预后相关,提示组织损伤和代谢应激水平在结局中起关键作用;GGT作为氧化应激和谷胱甘肽代谢替代标志,其升高与卒中风险增加相关,支持氧化炎症通路在PSS发生中的潜在作用。关于胆红素,近期综述和荟萃分析表明较高胆红素水平与卒中严重程度、出血转化和不良结局正相关。HDL-C与卒中预后之间可能存在复杂非线性关系,研究提示HDL-C水平与缺血性卒中患者功能结局呈U形关联,过低和过高HDL-C均可能与较差神经功能恢复相关,这与观察趋势一致,提示HDL-C可能对卒中预后具有双向调控作用。关于HCY,尽管临床研究中无HCY与卒中因果关系的直接证据,但研究提示HCY可能损害血管内皮功能并减少一氧化氮(nitric oxide, NO)产生,导致血管僵硬和血流灌注受损,这些因素可能促成不良卒中结局并促进PSS发生。关于心肌损伤标志物,尽管将其与卒中预后联系起来的系统研究仍有限,但研究发现总CK和CK-MB升高与卒中复发、死亡和不良功能恢复密切相关;同时,(CK-MB)/CK比值在反映“神经源性心肌损伤-脑-心轴”激活方面具有独特潜力,为阐明卒中后脑心相互作用机制和寻找新型预后生物标志物提供重要线索。通过整合代谢应激、氧化/抗氧化平衡、氨基酸代谢和心肌损伤信号等多维特征,PSSRS能够更全面刻画PSS风险谱,为分层管理和个体化干预提供基础。未来多中心外部验证对评估可迁移性很重要,因果推断和机制研究可能进一步阐明这些通路对PSS的贡献。局限性包括:单中心回顾性研究且仅内部验证,需要地理和时间验证;16年招募期可能涵盖检测、治疗路径和随访实践变化,随机拆分不能完全评估;回顾性记录中的结局确定可能异质;在101条候选管线中选择可能引入选择乐观;基于交集的策略及相关的CK-MB和CK-MB/CK预测因子需进一步评估;简化列线图区分度低于完整PSSRS;SHAP分析描述模型贡献;需独立队列进一步验证模型稳健性。前瞻性、多中心验证,标准化PSS判定,并在需要时更新模型,对评估泛化性和临床适用性很重要。
研究结论翻译:在被评估的管线中,StepCox(forward)+RSF表现出最强的预设训练重采样性能,并对PSS具有中度至良好的内部测试区分度。保留的预测因子为LDH、CK-MB、DBIL、CK-MB/CK、HCY、GGT、HDL-C和Glu (venous)。PSSRS提供了内部验证的个体化PSS风险估计框架,简化动态列线图提供了较低负担的表达形式。独立时间验证和多中心验证对评估其泛化性和临床适用性很重要。