基于Logistic回归与XGBoost构建缺血性卒中院内复发风险预测模型的初步比较研究

摘要：

目的 基于Logistic回归和XGBoost方法 构建缺血性卒中院内复发风险预测模型,并进行初步比较.方法利用中国国家卒中登记Ⅱ(China National Stoke RegistryⅡ,CNSRⅡ)数据库中按医嘱离院的缺血性卒中患者数据,分别基于Logistic回归和XGBoost方法构建缺血性卒中院内复发风险预测模型.备选的预测因子包括人口学特征、卒中严重程度、既往病史、用药史以及临床测量指标.模型的评价指标包括ROC曲线下面积(area under the cure,AUC)、校准截距、校准斜率以及Brier得分.所有统计分析均在R(3.6.2版)中完成.结果 最终纳入17227例符合条件的患者,平均年龄64.72±11.84岁,女性6317例(36.7％),发病前mRS评分为0或1分的病例14482例(84.1％),入院NIHSS评分4(2～6)分,院内卒中复发444例(2.6％).预测模型识别的前三位强预测因子,在Logistic回归中为发病前mRS评分、心房颤动及卒中史;在XGBoost中为发病前mRS评分、心房颤动及总胆固醇.Logistic回归预测模型与XGBoost预测模型的AUC无显著差异(0.63,95％CI 0.58～0.68 vs 0.64,95％CI 0.59～0.68,P=0.9229).Logistic预测模型校准截距、校准斜率以及Brier得分分别为-0.81、0.76和0.03;XGBoost预测模型的校准截距、校准斜率以及Brier得分分别为-1.37、1.20和0.38.Logistic预测模型校准度更好.结论 利用CNSRⅡ数据构建的缺血性卒中院内复发风险预测模型应用中,基于XGBoost方法构建的预测模型相比Logistic回归构建的预测模型的区分度没有显著差异,但校准度略低.

关键词：缺血性卒中、院内复发、预测模型

所属期刊栏目：15

资助基金："十三五"国家重点研发计划2016YFC0901001,2017YFC1310901,2016YFC0901002,2017YFC1307905,2015BAI12B00中国医学科学院脑血管病人工智能研究创新单元2019RU018北京市科学技术委员会基于人工智能的脑血管病临床诊疗决策研究Z201100005620010北京市百千万人才工程2018A13北京市青年拔尖人才项目2018000021223ZK03

在线出版日期：2020-07-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：587-594