第 1 章 绪论
缺血性脑卒中（cerebral ischemic stroke，CIS）亦称为脑梗死（cerebralinfarction，CI），是指因脑部血液循环障碍，缺血、缺氧所致的局限性脑组织的缺血性坏死或软化。现如今，卒中已经成为除冠心病与癌症外，世界第三大致死疾病[1]。在中国，急性缺血性脑卒中一直是国内致死率和致残率位列首位的疾病。我国住院急性缺血性脑卒中患者发病后 1 个月内病死率约为 2.3%~3.2%[2,3]，3 个月时病死率 9%~9.6%[4]，致死/残疾率为 34.5%~37.1%[4]，1 年病死率为 14.4%~15.4%[4]，致死/残疾率 33.4%~ 33.8%[4]。
目前，发病 4.5 小时内急性缺血性卒中最有效的治疗方法是组织型纤溶酶原激活剂(rt-PA)静脉溶栓治疗，可以减少急性缺血性卒中致残率[5-6]。与此同时，静脉溶栓也存在着风险，溶栓治疗之后可能会出现如过敏反应[7]、症状性颅内出血（symptomatic Intracranial hemorrhage, sICH）[8]、癫痫[9]等多种并发症。其中，sICH 最为常见，其发生率依据各研究定义不同，为 2% ~ 7%[10]。多项研究表明，静脉溶栓患者出血转化的危险因素可能为卒中严重程度[11]、既往有糖尿病病史或基线较高的血糖水平[11-12]、基线高收缩压[11]、房颤病史[11-12]血小板计数低[12]等。正因为存在出血转化的风险，急诊医生接诊急性缺血性卒中患者评估溶栓治疗决策时，无法及时果断地做出决策。因此，早期识别出溶栓出血转化的高危患者至关重要。
近年来，国际上发表了多种静脉溶栓预测模型，如：溶栓后出血模型（HemorrhageAfter Thrombolysis，HAT）[8]、SEDAN 模型（baseline bloodSugar，Early infarct signs，hyperDense cerebral artery sign on admission CT，Age，NIHSS on admission，SEDAN）[13]、GRASPS 模型（Glucose atpresentation，Race，Age，Sex，systolic blood Pressure at presentation，Severityof stroke at presentation，GRASPS）[14]、SITS 预测模型[11]等。尽管这些模型能够预测溶栓后出血转化的发生风险，但是其精确性有限。在临床工作中并不能通过现有量表对患者 rt-PA 的使用做出指导。一个兼顾简便、快速、准确并得到公认的预测模型仍在探索中。
......................
第 2 章 综述
2.1 溶栓出血转化的研究进展及人工智能机器学习简介
急性缺血性脑卒中是最常见的脑卒中类型，约占全部脑卒中的60%~80%[21]。1996 年，美国 FDA 正式批准组织型纤溶酶原激活剂（rt-PA）用于急性脑梗死的溶栓治疗，同年美国心脏协会／美国卒中协会(American Heart／Stroke Association，AHA／ASA)将急性缺血性脑卒中发病 3h 内行 rt-PA 静脉溶栓治疗首次写入指南[22]。2008 年，ECASS-3研究证实 3h-4.5h 内采用 rt-PA 静脉溶栓治疗是安全可行的，并且可以改善患者预后[5]。目前 rt-PA 静脉溶栓治疗是急性缺血性卒中最有效的治疗手段。临床溶栓治疗的目的就是尽快开通闭塞血管，尽快恢复脑组织血流灌注以挽救缺血半暗带组织。症状性颅内出血是静脉溶栓治疗的最严重的并发症，影响静脉溶栓治疗的安全性和有效性，从而制约静脉溶栓治疗在临床中的应用与推广。因此，预测静脉溶栓治疗后的出血转化风险，早期识别出具有极高出血风险的患者，有助于帮助临床神经内科医生快速评判并指导决策，最大程度使患者受益。如果能够通过人工智能建立出血转化预测模型，将对溶栓治疗缺血性卒中的适应症具有重要的指导意义。
人工智能（artificial intelligence,AI）作为现代计算机科学的一个重要分支，包括研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术和应用系统。1956 年，美国汉诺斯小镇召开了达特茅斯（Dartmouth）会议，会议上首次提出了人工智能的概念，开启了人工智能元年。近年来，随着深度学习、卷积神经网络、自然语言处理等人工智能算法的不断成熟和应用，基于临床大数据的人工智能诊疗决策技术研究和应用日趋成熟。在卒中领域中，人工智能也已经逐渐应用于影响评估、临床辅助决策和预后预测等多个方面。本研究通过人工智能机器学习算法建立出血转化预测模型，将对溶栓治疗决策实施具有重要的指导意义。
图 3.1 F 检验结果
2.2 出血转化的介绍
2.2.1 出血转化的定义
出血转化（HT）一般指缺血性脑卒中经溶栓治疗后出现的颅内出血性病变，是 AIS 静脉溶栓后最常见并发症，其中症状性颅内出血（symptomaticintracerebral hemorrhage, SICH）是指伴有神经功能减退的 HT，是导致患者神经功能恶化甚至死亡的主要原因。
2.2.2 出血转化的分类
根据 ECASS 标准，按影像学特征，可将溶栓后出血转化分为以下 4种类型：（1）出血性脑梗死（Hemorrhagic Infarction, HI）：
①HI-1 型：梗死边缘的小斑点状出血灶；②HI-2型：梗死区域内部融合成片的出血，但无占位效应；（2）脑实质出血（Parenchymal Hematoma,PH）：③PH-1 型：血肿体积≤梗死体积 30%，伴轻微占位效应；④PH-2型：血肿体积＞梗死体积 30%，有明显占位效应以及远离梗死区的出血。
2.2.3 出血转化的危险因素
目前，静脉溶栓后 SICH 相关危险因素的证据多来自对静脉溶栓病例数据库的回顾性分析，均来源于静脉溶栓前获得的临床资料或影像信息。近年来，基于不同静脉溶栓病例数据库的逻辑回归结果建立的多个 SICH预测模型，其中多数模型的可靠性和相关性还获得了外部数据库的进一步验证。随着静脉溶栓治疗的应用普及和经验累积，研究者对 SICH 危险因素的认识也更加深刻。识别 SICH 的危险因素能为评估患者溶栓风险提供科学的依据，有助于探索 SICH 发生的潜在机制，能为降低 SICH 发生提供相应治疗措施，还可以为后续相关试验设计提供思路。
图 3.2 卡方检验结果
............................
第 3 章 材料与方法.................. 6
3.1 患者资料收集............ 6
3.1.1 研究对象 ............................... 6
3.1.2 纳入标准 ..................... 6
第 4 章 结 果...................... 13
4.1 统计学处理结果........................ 13
4.2 残差网络结果评估..................... 16
4.3 XGBoost 结果评估 ...................... 18
第 5 章 讨论 ............... 22
第 5 章 讨论
早期再灌注治疗，是缺血性脑卒中治疗的关键。AIS 发病 4. 5 小时内给予静脉rt-PA溶栓治疗可改善预后，而静脉溶栓主要风险在于溶栓后HT。目前，临床工作中，AIS 中患者实施静脉溶栓前，尚未存在评估 HT 风险的预测模型。高效且易于操作的风险评估模型可以帮助临床工作者和患者做出正确的治疗决策，尽量规避风险和追逐更好的临床收益。
近年来，国外相继提出各种预测 HT 相关的评分标准系统。HAT 预测模型纳入变量为基线血糖>11.1 mmol/L 糖尿病史、基线 NIHSS 和首次头颅CT 早期低密度影[8]；SEDAN 模型变量包括基线血糖水平、年龄、入院 CT提示梗死早期征象、大脑中动脉高密度征[13]；GRASPS 预测模型纳入基线血糖水平、种族、性别、年龄、基线 NIHSS、基线血糖水平，并未纳入基线影像学信息[14]；SITS 预测模型[11]的变量包括基线 NIHSS、收缩压、体重、高血压病史、发病到治疗时间、溶栓前抗栓药物服用史。
我们这项研究探索了 ML 方法来构建溶栓出血转化预测模型。我们研究得出，XGBoost 机器学习算法优于残差网络算法，适用于基线筛查溶栓后出血转化患者，对于临床上的溶栓治疗决策具有一定程度的指导作用。XGBoost 机器学习算法对 40 维原始数据进行重要性排序，筛选出 HT 关键特征为是否服用抗血小板聚集药物、既往脑梗史、基线 NIHSS 评分。
........................
第 6 章 结论
1.XGBoost 机器学习算法优于残差网络算法，适用于基线筛查溶栓后出血转化患者，对于临床上的溶栓治疗决策具有一定程度的指导作用。
2.XGBoost 机器学习分析发现，基线 NIHSS 评分、既往是否服用抗血小板聚集药物、既往脑梗死病史与溶栓出血转化有关。
参考文献（略）