缺血性中風患者90天內預後惡化模型:考慮存活時間的機器學習演算法

中風是因為腦中血管發生阻塞或破裂，而引起腦組織損傷的急性腦血管疾病，缺血性中風占所有中風的62.4%，其中約半數患者在急性期會出現高血糖。中風也是全球主要的致死及致殘原因之一，對患者的生活質量、行動能力和認知功能造成重大影響。台灣衛生福利部112年統計的資料也指出，腦血管疾病位居死因的第四，而且每年新增數萬名患者。在中風後功能殘障方面，通常會使用mRS（modified Rankin Scale）來衡量患者在日常生活中的殘疾或仰賴程度，也會被當作許多臨床試驗最後階段的追蹤指標。然而現有研究大多僅採用單次的mRS測量作為結果，無法捕捉患者功能恢復過程中的細微變化。並且，在變數多的情況下，使用機器學習是可處理非線性關係以及過度擬合的問題。因此為更全面地評估患者的恢復動態，本研究將利用結合存活分析的機器學習模型，探討影響90天內發生功能性預後惡化的相關因子，並再對離院時輕度失能和入院有高血糖和糖尿病的子群進行分析。
本研究採用回顧性世代研究設計，資料來源為台灣中風遺傳研究資料登錄系統（FSGC），涵蓋2005年至2024年18歲以上經影像學診斷為缺血性中風的患者。研究對象包括1900名排除資料遺失及不符合條件的樣本。主要應變項為功能性預後惡化（定義為mRS差值>0），自變項包括年齡、性別、臨床變數（如NIHSS、血壓、血糖）、及疾病史（如糖尿病、高血壓）等。子群體分析針對出院時mRS分數為0~2及入院急診血糖≥180 mg/dL或空腹血糖的≥126 mg/dL和有無糖尿病的患者再次進行。在數據分析部分，採用存活決策樹（Survival Decision Tree）、隨機存活森林（Random Survival Forest）及極限梯度提升（XGBoost）模型。會進行參數調整與交叉驗證，最終以C-index和Brier Score評估模型表現。此外，還會以最佳模型的變數貢獻度前13，與使用LASSO-Cox篩出的13個變數，來深入評估模型的表現，最後並運用SHAP值和部分依賴圖等等來解釋模型，探討各變數對於功能性預後的貢獻程度。
在1900筆樣本中，90天內有發生功能性惡化的樣本共235筆，在建立完模型以後，以隨機存活森林的表現最佳。全變數模型下隨機存活森林於測試組之C-index為0.94，Brier Score為0.08；XGBoost則是0.57；傳統Cox模型測試C-index為0.60，表現亦優於存活決策樹（C-index僅0.52）。在LASSO-Cox篩選後的變數下（共13個），以及按隨機存活森林所排序的前13個重要變數中，隨機存活森林的測試集C-index仍達0.93，顯示其在變數減少後仍具穩定預測力。以變數的解釋性而言，離院時mRS不論在哪個模型都是相當重要的變數，其次是NIHSS、年齡和血壓也會有相當地影響力，血糖相關的變數（入院時血糖和空腹血糖）雖然並非最重要，但也是重要度排名前15的變數。進一步子群體分析發現，在離院時mRS為0~2這些輕度失能的群體，出院NIHSS、血小板和血壓對功能性預後惡化是很重要的；在高血糖與糖尿病組合的四群患者中，離院mRS、NIHSS、血壓、年齡和血液相關變數（血小板、血比容和血紅素）的重要性是較高的。
結合存活分析的機器學習，也就是隨機存活森林是能有效預測缺血性中風患者90天內的功能惡化，並具備良好解釋性。離院時失能程度較輕微（mRS分數0~2）者反而是後續發生功能惡化的高風險族群，此結果提醒臨床應特別關注這類「表面穩定但具備潛在風險」的患者。此外，急性高血糖狀態即使不伴隨糖尿病，也與功能惡化有一定關聯，雖然其預測影響力相較於離院mRS、NIHSS等變數較低。因此，臨床上應針對離院失能較輕微，或具有高風險特徵的患者，設計個別化的追蹤與復健策略，以預防功能性惡化的結果。