| 摘要: |
| 目的 筛选并使用机器学习算法探讨血液指标在预测脑出血（ICH）预后不良中的效能。 方法 回顾性分析 2023
年 1 至 12 月湖州市中医院收治的 460 例 ICH 患者临床资料，根据出院 90 d 后改良 Rankin 评分分为预后良好组（220 例）和预后不
良组（240 例）；以 2024 年 1 至 6 月本院收治的 279 例患者为外部独立测试队列。比较两组患者一般临床资料，使用最小绝对收缩
和选择算子（LASSO）回归分析筛选ICH预后不良的影响因素。使用9种机器学习算法预测ICH预后不良风险，通过ROC曲线、校
准曲线和决策曲线分析来评估它们的效能。 结果 两组患者年龄、淋巴细胞计数（L）、高密度脂蛋白胆固醇（HDL-C）、中性粒细
胞计数/（白细胞计数-L）（dNLR）、单核细胞计数/L（MLR）、单核细胞计数/HDL-C（MHR）、中性粒细胞计数/HDL-C（NHR）比较，
差异均有统计学意义（均 P＜0.05）。LASSO 回归分析确定 L、MLR、HDL-C、MHR 是 ICH 预后不良的影响因素。使用 LightGBM
算法构建的分类模型是表现最佳的模型。在验证队列中，使用该模型预测预后的 AUC 为 0.939，而在测试队列中，该模型的 AUC
为0.990。校准曲线显示实际概率和预测概率之间具有良好的一致性，决策曲线表明该模型具有显著的临床益处。该模型预测外
部独立测试队列患者预后的 AUC 为 0.958。 结论 LightGBM 是表现最佳的一种预测性机器学习算法，使用 L、HDL-C、MLR、
MHR等指标构建的预测模型，能准确预测ICH患者不良预后的发生概率，具有临床应用价值。 |
| 关键词: |
| DOI： |
| 分类号: |
| 基金项目: |
|
|
|
|
| Abstract: |
|
| Key words: |
