摘要

目的：本研究旨在识别关键风险因素，并开发一个可解释的机器学习模型，用于预测急性缺血性脑卒中患者早期吞咽困难的发生。

患者与方法：在这项横断面研究中，从两家三级医院招募了1041名急性缺血性脑卒中患者。参与者被分为无吞咽困难组（736人）和吞咽困难组（305人）。使用Boruta算法和逻Logistic回归进行特征筛选。数据集按7:3的比例随机划分为训练集（728人）和测试集（313人）。采用10折交叉验证训练了六个机器学习模型。基于受试者工作特征曲线下面积（AUC-ROC）、灵敏度、特异度、准确度、阳性预测值（PPV）、阴性预测值（NPV）、F1分数和约登指数评估模型性能。使用SHAP分析解释关键预测因素。

结果：急性缺血性脑卒中患者早期吞咽困难的发生率为29.3%。随机森林模型表现出最佳综合性能，AUC-ROC为0.952（95% CI: 0.927–0.976）。识别出的重要风险因素包括：日常生活活动能力分级、美国国立卫生研究院卒中量表评分、多灶性病变、低白蛋白血症、冠心病以及病变半球。

结论：机器学习模型可作为预测急性缺血性脑卒中患者吞咽困难的可靠评估工具。其中随机森林模型展现了最佳的预测性能。该预测模型有助于临床医护人员对高风险患者进行早期预警并制定个体化治疗方案。