基于随机森林算法的颈动脉支架植入术后残留预测模型构建分析

作者：陈爱国

来源：卒中与神经疾病, 2022, 29(04): 338-343.

• 颈动脉支架植入术
• 随机森林算法
• 斑块特征
• 残留狭窄

目的 探讨基于随机森林算法的颈动脉支架植入术(Carotid artery stent, CAS)后残留预测模型构建。方法 回顾性选取2018年10月-2021年10月于本院接受CAS治疗的颈动脉狭窄患者181例作为研究对象，根据术后残留狭窄情况分为残留狭窄组(狭窄率≥30%)和非残留狭窄组(狭窄率<30%);比较2组临床资料，采用多因素Logistic回归分析和随机森林算法分别构建影响CAS后残留狭窄形成的2个预测模型，比较2个预测模型的预测效能。结果 术后残留狭窄发生51例(28.18%)归为残留狭窄组，其余130例归为非残留狭窄组。2组术前体质量指数(Body mass index, BMI)、年龄、吸烟史、高血压病占比、术前狭窄处血管内径、支架类型、斑块形态、斑块钙化情况比较均有明显差异(P<0.05)。多因素Logistic回归分析显示，术前狭窄处血管内径(OR=0.012,95%CI=0.001～0.114)为CAS后残留狭窄的保护因素，高血压病(OR=1.057,95%CI=1.035～1.079)、闭环支架(OR=2.773,95%CI=1.067～7.202)、不规则斑块(OR=2.698,95%CI=1.079～6.750)、斑块钙化(OR=5.488,95%CI=2.073～14.525)为CAS后残留狭窄的危险因素(P均<0.05)。对随机森林模型各变量的重要程度进行排序，排名在前的重要预测变量为术前狭窄处血管内径、斑块形态、斑块钙化情况、高血压病、支架类型、BMI、年龄、吸烟史。基于随机森林算法构建的预测模型的诊断效能[曲线下面积(Area of the under curve,AUC)为0.884]高于基于多因素Logistic回归分析的预测模型的诊断效能(AUC为0.821)。结论 基于随机森林算法构建的预测模型能更有效预测CAS后残留狭窄风险，术前狭窄处血管内径、斑块形态、斑块钙化情况、高血压病、支架类型是CAS后残留狭窄风险的影响因素。

• 单位
  北京市顺义区医院