Ключевые результаты
Исследователи разработали точную модель прогнозирования когнитивных нарушений после первого эпизода острого ишемического инсульта (ОИИ) на основе 10 ключевых предикторов. Модель логистической регрессии продемонстрировала наилучшие показатели среди проверенных алгоритмов машинного обучения с площадью под кривой (AUC) 0,925 при внутренней валидации и 0,897 при внешней валидации.
Методология
В исследование было включено 627 пациентов с первым эпизодом ОИИ, поступивших в Аффилированную больницу Хуай'ань Медицинского университета Сюйчжоу в период с января 2023 по июнь 2024 года. Когнитивные функции оценивались через 6 месяцев после выписки с использованием шкалы Mini-Mental State Examination (MMSE).
Пациенты были разделены на две группы:
- 188 пациентов с когнитивными нарушениями
- 439 пациентов с нормальными когнитивными функциями
Данная когорта была случайным образом разделена в соотношении 8:2 на обучающую выборку (n = 502) и выборку внутренней валидации (n = 125). Дополнительно 184 пациента из Первой народной больницы Хуай'ань составили выборку внешней валидации.
Для отбора значимых переменных использовалась регрессия LASSO (Least Absolute Shrinkage and Selection Operator). Независимость предикторов проверялась с помощью мультивариантного логистического регрессионного анализа. На платформах Python и Dataiku DSS было разработано семь моделей машинного обучения, включая градиентный бустинг, случайный лес и метод опорных векторов.
Клиническое значение
Исследование выявило 10 ключевых предикторов когнитивных нарушений после ОИИ, среди которых наиболее значимыми независимыми факторами риска были:
- Количество очагов инфаркта (OR = 2,17, 95% CI: 1,65–2,86, p < 0,001)
- Уровень С-реактивного белка (OR = 1,02, 95% CI: 1,01–1,03, p = 0,002)
- Инфаркт левой лобной доли (OR = 4,56, 95% CI: 1,97–10,55, p < 0,001)
Высокий уровень образования был определен как защитный фактор.
Разработанная модель визуализирована в виде номограммы, что позволяет клиницистам быстро оценивать риск развития когнитивных нарушений на основе индивидуальных данных пациента. Это дает возможность раннего выявления пациентов группы риска и своевременного планирования индивидуализированных интервенций для предотвращения или минимизации когнитивных нарушений после инсульта.
Выводы
Созданная модель прогнозирования когнитивных нарушений после первого эпизода острого ишемического инсульта демонстрирует высокую точность и отличную дискриминацию как при внутренней, так и при внешней валидации. Модель логистической регрессии оказалась наиболее эффективной среди протестированных алгоритмов машинного обучения.
Исследование подчеркивает значимость многофакторного подхода к прогнозированию постинсультных когнитивных нарушений и предлагает практический инструмент для клиницистов. Своевременная идентификация пациентов высокого риска может способствовать улучшению долгосрочных исходов за счет раннего внедрения превентивных когнитивно-направленных мероприятий.