重要性说明
在脑梗死患者中，基于神经生理学和临床数据的机器学习模型可预测重症监护室（ICU）再入院风险。其中逻辑回归模型不仅提供最高区分度，其临床可解释的预测因子还能为床边风险分层提供依据。
研究设计与分析方法
研究人员对MIMIC-IV数据库中3,348名成年脑梗死患者进行了回顾性队列分析。特征选择采用LASSO（最小绝对收缩和选择算子）降低维度后进行多变量建模。研究训练并评估了七种机器学习算法，包括决策树、K近邻法、LightGBM、朴素贝叶斯、随机森林、支持向量机和XGBoost。逻辑回归模型在受试者工作特征曲线下面积（AUC）中表现最优，达到0.682（95%置信区间0.630-0.733）。这一性能优势结合透明系数特性，支持其在临床可解释性至关重要的场景中应用。
关键预测因子与临床信号
重症监护室再入院的显著预测因子包括消化性溃疡、住院期间糖皮质激素使用、血清钾水平和红细胞计数。这些变量分别捕捉了合并症负担、治疗暴露、电解质平衡和血液学状态。该特征谱表明，胃肠道脆弱性、类固醇相关风险、电解质紊乱和贫血可能预示病情不稳定，提示脑梗死患者需加强监测并制定主动的出院计划。
机器学习在ICU再入院风险中的应用
该机器学习框架成功识别出中风后重症监护室再入院风险升高的患者群体。尽管研究探索了多种算法，但逻辑回归在准确性与可解释性间取得平衡，更契合当前临床工作流。研究者总结指出，基于模型的风险分层可实现针对性监测、优化电解质和血液参数管理，并及早预防此人群的并发症。
参考文献：Su H等. 预测脑梗死患者重症监护室再入院风险：基于神经生理学和临床数据的机器学习方法. 大脑与行为. 2025;15(10):e70958.
【全文结束】
