首页 > 论文范文 > 医药卫生论文 > 内科论文 > 癫痫论文 > 常规临床资料挖掘对卒中后癫痫发作的预测价值

常规临床资料挖掘对卒中后癫痫发作的预测价值

2025-06-26 37 上传者：管理员

摘要：目的探究常规临床资料挖掘对卒中后癫痫发作的预测价值。方法选取2020-01—2022-12邯郸市中心医院治疗的100例脑卒中患者为对象，其中研究组32例脑卒中后癫痫患者，对照组68例脑卒中后无癫痫患者。收集并比较2组患者的临床资料，建立决策树C5.0模型及人工神经网络（ANN）模型，对比两种模型预测卒中后癫痫发作的效能。结果研究组在性别、病灶部位、NIHSS评分、低密度脂蛋白（LDL）、C反应蛋白（CRP）、D-二聚体（D-D）、中性粒细胞/淋巴细胞比值（NLR）、血小板/淋巴细胞比值（PLR）等方面与对照组比较有统计学差异（P<0.05）。在决策树C5.0模型中对模型影响最大的3个因素是NIHSS评分、LDL、病灶部位，在ANN模型中对模型影响最大的3个因素是NIHSS评分、病灶部位、PLR。决策树C5.0模型对卒中后癫痫发作的预测准确率为88.00%，阳性预测值为84.38%，阴性预测值为89.71%，灵敏度为78.64%，特异度为77.29%,AUC为0.809。ANN模型对卒中后癫痫发作的预测准确率为95.00%，阳性预测值为93.75%，阴性预测值为95.59%，灵敏度为88.64%，特异度为89.52%,AUC为0.857。结论在基于常规临床资料挖掘构建的卒中后癫痫发作预测模型中，ANN模型的整体性能优于决策树C5.0模型，具有潜在的临床应用价值。

关键词：
人工神经网络
决策树C5.0
癫痫
神经内科
脑卒中
加入收藏

脑卒中是神经内科常见疾病之一,随着人们生活方式的改变和老龄化问题的日益突出,其发病率也呈明显上升趋势[1]｡卒中后癫痫发作是脑卒中患者常见的并发症,随着卒中后癫痫发作人数逐年上升,其日益受到广大研究者的关注[2]｡虽目前仍不明确癫痫的大部分病因,但多数研究者认为脑卒中与癫痫相互影响,关系密切[3-5]｡脑卒中是成年患者癫痫发作的重要原因,研究显示脑卒中后继发症状性癫痫发作的患者中,约50%的患者逐渐进展并最终发展为癫痫[6-7]｡同时,癫痫也会阻碍脑卒中患者神经功能的恢复,引发感染､高热､脑水肿等,增加患者致残及致死风险[8-9]｡对于大多数患者而言,卒中后癫痫不仅需长期进行抗癫痫治疗和随访,而且还要面对药物带来的不良反应及不可预测的癫痫发作,给患者带来沉重负担,严重影响其身心健康[10]｡卒中后癫痫与其他类型的癫痫患者在药物耐受性､并发症等方面有一定差异,分析可能导致卒中后癫痫发作的相关因素,在加深对卒中后癫痫的认知､提升预防及治疗效果､改善患者预后方面具有重要意义[11-13]｡目前有关构建卒中后癫痫发作预测模型的报道较少,鉴于此,本研究通过开展常规临床资料挖掘并建立卒中后癫痫发作的预测模型,以期为脑卒中患者癫痫发作的预防提供参考｡

1、资料与方法

1.1一般资料选取2020-01—2022-12邯郸市中心医院的100例脑卒中患者,男48例,女52例;年龄40~78(62.38±5.94)岁｡纳入标准:(1)符合脑卒中相关诊断标准[14],经影像学检查明确诊断;(2)入院后生命体征稳定;(3)临床资料完整;(4)患者及家属知晓本研究,并签署知情同意书｡排除标准:(1)既往有癫痫或类似癫痫发作的情况者;(2)有头部外伤史或手术史者;(3)有脑血管畸形､脑肿瘤､颅内感染等可引发癫痫的疾病史者;(4)合并严重的心､肝､肾等脏器功能障碍者｡本研究已获得邯郸市中心医院医学伦理委员会批准[批件号:(2022)伦审论文第(017)号]｡

1.2癫痫诊断标准根据国际抗癫痫联盟(InternationalLeagueAgainstEpilepsy,ILEA)[15]有关癫痫的官方报告,将通过脑电图监测到痫样放电作为辅助诊断标准,在排除代谢性疾病及其他脑部疾病后,将卒中后首次发作的癫痫视为卒中后癫痫发作｡

1.3方法

1.3.1数据预处理:综合考虑各方面的均衡与可研究性､预测精确度等因素,得到100例患者的临床数据｡

1.3.2收集临床资料:临床资料包括以下3个方面:①个人基本信息:包括性别､年龄､体重指数(bodymassindex,BMI)､吸烟史､高血压史､糖尿病史､动脉粥样硬化史､家族史等;②疾病相关信息:包括卒中类型､病灶部位､NIHSS评分[16]､脑电图表现等;③实验室检查数据:包括甘油三酯(TG)､总胆固醇(TC)､低密度脂蛋白(LDL)､C反应蛋白(CRP)､D-二聚体(D-D)､白细胞计数(WBC)､中性粒细胞/淋巴细胞比值(neutrophiltolymphocyteratio,NLR)､血小板/淋巴细胞比值(platelettolymphocyterate,PLR)等｡

1.3.3卒中后癫痫发作的预测模型构建与评估:①决策树C5.0模型的构建:将卒中后癫痫是否发作(否=0,是=1)作为目标变量,即输出变量,将单因素分析P<0.05的对卒中后癫痫发作有影响的变量作为输入变量(自变量),利用SPSSModeler18.0软件选择C5.0算法构建模型｡②人工神经网络(artificialneuralnetwork,ANN)模型的构建:基于Python3.7环境下利用Tensorflow框架(https://www.tensorflow.org/)构建ANN模型｡ANN模型由接受信息的输入层､处理信息的隐含层及计算结果的输出层组成,输入层由单因素分析P<0.05的对卒中后癫痫发作有影响的因素组成,隐含层由不同数量的隐含神经元优化形成的4个神经元组成,输出层结果由1个神经元表示｡

1.4统计学方法通过SPSS23.0统计学软件处理数据,计数资料以率(%)表示,使用χ2检验;计量资料以x±s表示,使用独立样本t检验｡决策树C5.0模型与ANN模型比较及评估采用准确度､阳性预测值､阴性预测值､敏感度､特异度,并绘制受试者工作特征(receiveroperatingcharacteristic,ROC)曲线,通过曲线下面积(areaunderthecurve,AUC)比较两种模型的准确性｡以P<0.05为差异有统计学意义｡

2、结果

2.1研究组与对照组临床资料比较研究组32例脑卒中后癫痫患者,对照组68例脑卒中后无癫痫患者,研究组在性别､病灶部位､NIHSS评分､LDL､CRP､D-D､NLR､PLR等方面与对照组比较有统计学差异(P<0.05)｡见表1｡

表1研究组与对照组患者临床资料比较

2.2卒中后癫痫发作预测模型的建立(1)决策树C5.0模型的参数设置:使用分区数据:否;输出类型:决策树;组符号:否;使用增强:是;交叉有效日期:否;模式:专家;修剪严重程度:75;使用全局修剪:是;窗口属性:否;使用错误分类成本:否｡(2)ANN模型的参数设置:使用分区数据:是;方法:修剪;防止过度训练样本:50%;设置随机种子:321;停止:时间1min;优化:内存;继续训练现有模型:否;使用二值集编码:是;显示反馈图:是;模型选择:使用最佳网络;模式:专家｡

2.3纳入变量在两种模型中的重要性排序通过SPSSClementine12.0对两种模型纳入变量的重要性进行排序｡在决策树C5.0模型中对模型影响最大的3个因素是NIHSS评分､LDL､病灶部位,在ANN模型中对模型影响最大的3个因素是NIHSS评分､病灶部位､PLR｡在两种模型中NIHSS评分均为最重要的影响因素｡见表2｡

表2纳入变量在两种模型的重要性排序

2.4两种模型的性能比较决策树C5.0模型对卒中后癫痫发作的预测准确率为88.00%,阳性预测值为84.38%,阴性预测值为89.71%,灵敏度为78.64%,特异度为77.29%,AUC为0.809｡ANN模型对卒中后癫痫发作的预测准确率为95.00%,阳性预测值为93.75%,阴性预测值为95.59%,灵敏度为88.64%,特异度为89.52%,AUC为0.857｡见图1､表3｡

图1两种模型的ROC曲线

表3两种模型的预测效能

3、讨论

癫痫是颅内神经元的异常同步化放电活动,患者常表现为多系统的功能紊乱[17]｡据报道,因卒中引发的癫痫约占癫痫患者总数的11%[18]｡根据发作时间的不同,卒中后癫痫又可分为早期癫痫发作和晚期癫痫发作[19]｡早期癫痫发作主要由代谢功能障碍和脑内递质失平衡所致,而晚期癫痫发作则可能是因瘢痕组织或神经元变性形成异常放电,进而诱发癫痫[20-22]｡国内外有关卒中后癫痫的研究很多,但结果差异较大,猜测可能与样本的选取､随访时间的不同及症状描述和定义的差异有关[23-24]｡卒中后癫痫发作对于患者的恢复造成巨大阻碍,甚至危及生命,因此,卒中后癫痫发作已成为临床关注的热点及面临的巨大挑战,关于卒中后癫痫发作的相关因素分析及预测模型的建立对于临床预防及诊疗､健康宣教均具有重要的指导价值｡

时代的发展与进步让数据成为各行业发展的重要支撑,如何从繁杂的临床数据中筛选出有用的信息,有的放矢地对相关疾病进行预测与干预,对于提高临床诊疗效率及医疗资源的使用率具有重要意义｡数据挖掘是指运用人工智能､机器学习等方法挖掘数据库中大量数据背后具有潜在价值的信息,并进行决策支持的过程[25]｡近年来,数据挖掘技术也广泛应用于医学各个领域的研究,主要分为疾病预测与预防､健康管理与监测､个性化医疗服务3个方面,为医学发展与管理提供了新的思路[26-28]｡目前卒中相关研究运用的影响因素分析方法主要有Logistic回归､神经网络､随机森林等[29]｡本研究通过常规临床资料挖掘并建立卒中后癫痫发作的预测模型,探索各因素与卒中后癫痫发作的潜在关系,以期为临床决策提供技术支持｡决策树C5.0模型是数据挖掘的重要方法,对数据类型及分布的限制较小,以树形结构展示结果,可简单且直观地显示各种影响因素的重要性[30]｡目前,决策树模型在疾病的诊断､疾病发生的影响因素分析等领域的应用较为常见[31-32]｡ANN是一种受中枢神经系统神经元网络启发的运算模型,随着人工智能技术的发展,ANN凭借其有效捕捉非线性关系而被广泛应用于模式识别和预测估计领域[33]｡研究显示,ANN算法能够有效捕捉输入各参数之间的复杂关系,是预测脑卒中､急性冠状动脉综合征､恶性肿瘤等疾病的理想方法[34-36]｡本研究将患者个人信息､疾病相关信息及实验室检查数据作为模型输入,卒中后是否癫痫发作作为模型输出,分别构建决策树C5.0模型及ANN模型,结果显示,在决策树C5.0模型中对模型影响最大的3个因素是NIHSS评分､LDL､病灶部位,在ANN模型中对模型影响最大的3个因素是NIHSS评分､病灶部位､PLR,提示以上因素可能是卒中后癫痫发作的重要影响因素｡另外,本研究还利用准确率､阳性预测值､阴性预测值､灵敏度､特异度以及AUC等指标对模型进行评价,结果表明决策树C5.0模型及ANN模型均具有较好的准确率､灵敏度､特异度,其中ANN模型对卒中癫痫发作预测的综合性能最佳｡传统统计学模型主要是从期望值､方差等特征中发现相关性特征,纳入的数据需要严格符合统计假设,但在实际分析过程中,随着数据维度的增加,特征向量之间的关系也更加复杂,传统方式可能无法很好地体现非线性关系,从而导致模型的精度下降或建模失败[37],因此,提倡寻找更加合适的数据分析工具以提升准确度｡本研究在预测卒中后癫痫发作风险时ANN模型具有更好的整体性能,可采用常规临床资料挖掘建立的ANN模型对脑卒中患者癫痫发作风险进行预测,及时采取预防及干预措施,以改善患者预后｡

参考文献:

[4]李依梦,皮兴文.急性脑梗死病灶部位与痫性发作的相关性[J].中国实用神经疾病杂志,2022,25(7):807-812.

[10]钱国红,李丽,李静.癫痫患者疾病感知与心理弹性水平的相关性[J].中国实用神经疾病杂志,2021,24(1):88-92.

基金资助:邯郸市科学技术研究与发展计划项目(编号:19422083009-3);

文章来源:宋晓园,晁艳艳.常规临床资料挖掘对卒中后癫痫发作的预测价值[J].中国实用神经疾病杂志,2025,28(07):850-854.