机器学习预测脑卒中病人日常生活活动能力的研究进展

李贤 马秀芝

Research progress of machine learning in predicting activities of daily living in stroke patients

LI Xian， MA Xiuzhi

School of Nursing， Dali University， Yunnan 671000 China

Corresponding Author  MA Xiuzhi， E?mail： 1203929069@qq.com

Keywords  stroke； machine learning； activities of daily living； information management； review

摘要  对机器学习的应用基础、机器学习预测康复期及恢复期脑卒中病人生活活动能力、机器学习预测脑卒中病人日常生活活动能力中的应用局限性进行综述，旨在为推动脑卒中病人肢体功能康复的信息化管理提供参考。

关键词  脑卒中；机器学习；日常生活活动能力；信息化管理；综述

doi：10.12102/j.issn.1009-6493.2024.08.017

脑卒中是一种急性脑血管疾病，由于脑血管病变引起脑功能障碍，是全球致死、致残的首要原因。我国脑卒中筛查数据显示，城市和农村居民的脑血管病的发病率分别为203.6/10万和298.2/10万，死亡率分别为128.88/10万和160.19/10万^[1]。随着人口老龄化和城市化进程加速，发生脑卒中的危险因素仍在逐年增长，给社会带来沉重的负担。脑卒中发病率呈年轻化趋势^[2]，为了提高临床对脑卒中的识别和诊断的能力，减少疾病的致残率和复发率，应对脑卒中的发病危险因素进行筛查，对脑卒中后病人的肢体运动功能达到准确的评估，做到早发现、早预防、早诊断、早治疗。近年来，国内外学者在信息化管理的背景下，通过机器学习的方式对脑卒中病人日常生活活动能力进行预测，从而达到快速、精准判断脑卒中后肢体功能活动程度的目的^[3]。近年来，机器学习在计算机和数据分析的背景下迅速发展，在医疗卫生事业发挥了极大的作用，利用机器学习的方法不仅可以提高病人的康复水平，还能为临床医护人员进行决策时提供便利。机器学习能够通过计算机模拟学习将大量非结构化数据集派生的数据规则进行预测，广泛应用于脑血管疾病的诊断、分类、图像分析和风险预测。

1  机器学习的应用基础

随着医疗信息系统的现代化，传统病历被电子病历（electronic medical record，EMR）所取代，包含了結构化、半结构化和非结构化的数据资料，脑卒中病人活动能力包含大量非结构数据，如病人个人信息、护理记录等在内的图像和文本数据^[4]。EMR作为无纸化的病历可以完整和准确地反映病人长期就诊过程，便于医护人员可随时查阅和全面管理有关病人的各种信息资料，但其会产生数量庞大、形态复杂的数据，传统方法难以对其进行有效的收集、管理和分析，严重限制了信息化管理的发展。机器学习于1959年由Samuel^[5]首次提出，在人工智能的学术领域界被称为“机器学习的先驱”，其在数据的数量和类型的积累上是推动存储技术和分析技术创新的驱动力^[6]。机器学习的预测分析过程是通过特征处理、数据处理、建立模型3个部分，根据需要处理的数据是否存在人为标注分为监督学习、无监督学习和半监督学习，机器学习算法包括K近邻（KNN）、朴素贝叶斯（NB）、逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）^[7]。根据不同的应用场景，选择合适的算法，预测脑卒中病人的日常生活活动能力属于监督学习的方法，机器学习的分类和算法都具有各自的特长和不足。深度学习是机器学习进阶发展史上具有里程碑意义的一种算法，成了目前机器学习的研究热点，凭借其强大的自动化检测误差过程中提取数据特征进行模拟学习的能力和先进的算法应用于脑卒中预后的各个方面^[8]。深度神经网络（DNN）是深度学习最核心的部分，通过DNN分层方式学习数据的输出，从而达到模拟人脑对数据库进行信息提取。但深度学习对计算机的运算能力要求较高，模型的设计构造复杂，适用性相对较差，未来深度学习算法的运用挖掘将为实现脑卒中病人肢体运动功能智能化预测提供发展依据。

2  机器学习预测脑卒中病人日常生活活动能力的优势

《中国脑卒中康复治疗指南（2011完整版）》根据急性脑血管病三级康复网络的研究将脑卒中后的康复阶段分3期^[9]，当脑卒中发生处于早期阶段时，虽然积极的药物治疗和个体化功能康复锻炼可以防止活动能力发生进一步的障碍，但我国大部分病人在病情稳定时选择出院回家休养，影响肢体功能康复效果不佳甚至是进一步的功能障碍。当病人肢体功能康复处于2级或3级，特别是病人还伴随其他基础疾病时，会导致康复的时间延长甚至是预后不良。目前临床针对脑卒中后肢体功能采用量表的方式进行评估，量表检查法作为评价活动能力的方式是临床及科研工作的立足点，评估结果可以直观地反映病人的肢体功能状况，但通过量表评价的方式也存在无法忽视的缺陷。日常生活活动能力评分（MBI）和功能独立性评定量表（FIM）的测试内容较全面，但MBI缺少社会参与类项目，不能直接反映病人的自理能力，且存在评估内容单一的问题，需要增加对心理、社会参与等方面能力的描述；FIM评分对评估者的职业素质有很高的要求，难以在社区、居家康复中得到广泛使用；工具性日常生活行为量表（IADL）和疲劳评定量表（FAI）可操作性和病人接受度都较高，不足在于均来自国外，对于国内人群的适用性有待检验且预测结果的准确性可能较差；龙氏日常生活活动能力量表使用图表方式对病人的日常生活活动能力进行评估，内容直观便于病人理解，但临床应用存在“天花板”和“地板效应”^[10]，难以反映病人实际的功能变化。随着康复技术不断地与人工智能领域融合，利用机器学习的算法研发了日常生活活动能力的分类、肢体功能和风险因素预测系统等技术，实现对日常生活活动能力非结构性数据进行分析，可以准确、高效地对日常生活活动能力进行评估和监测。与以往依赖临床护理人员进行主观评估的方法相比，基于机器学习的预测方法具有客观、自动、便捷等优点，在预测脑卒中病人日常生活活动能力时，可以提醒医护人员提前干预，从而降低康复期肢体功能残障的发生率，帮助护理人员更加客观、高效地评估脑卒中病人肢体活动功能情况和依赖程度。

脑卒中病人日常活动能力主要评价肢体活动评估的准确性、特异性和精确性。最佳的评估系统应具备以下条件：1）能够克服图像数据收集时不同的特征类型、范围和动态活动对肢体功能测量和分析结果的影响；2）能识别并进行分割每项日常活动之间的联系与区别；3）能够对日常活动进行有效的测量，包括类型、所占百分比、风险因素；4）能够将自动捕捉到的数据用于预测肢体功能最佳愈合度和构建脑卒中病人日常生活活动能力的临床预测模型。

3  机器学习预测脑卒中病人日常生活活动能力的方法

通过文献检索可知，早在2005年机器学习的预测方法就在脑卒中的研究中有所应用^[11]，最初多用于解决回归问题。机器学习的方法是经过对病人的EMR数据进行预处理和自然语言处理后提取脑卒中病人日常生活活动能力的临床变量，不同的机器学习算法在预测机制和预测精准度上也会有所区别。本研究主要列举机器学习中较为常用及经典算法在预测脑卒中病人日常生活活动能力中的特性。1）ANN算法：可以对脑卒中病人日常生活活动能力的内容进行识别和分类，如穿衣、洗漱、进食等动作特征，ANN将每个节点上的激活函数输入的节点进行转换，这些激活函数会根据输入特征自动进行区分使用线性或非线性的方式，继而从上一节点的数据以最新数据输出给下一节点，能够有效克服传统统计方法的某些局限性 ^[12]。ANN的特征是借助大规模的标注数据，自动化反复地训练节点和隐含层中非线性的关系来调整算法。Thakkar等^[13]开发了ANN算法针对慢性脑卒中病人运动功能恢复的预测模型，将数据随机化分配到训练集（开发模型）和测试集（最终检验）并使用交叉验证过程保证所有数据都经过训练集和测试集，模型建立后，使用标准性能指标评估ANN模型的性能，准确率为 81.25%，精密度为0.80，召回率为 0.81，特异度为 0.49，阳性预测值（PPV）为0.80。国内ANN算法应用于脑卒中危险因素预测模型的准确率为97.10%^[14]，缺血性脑卒中病人复发的预测模型正确率为84.6%^[15]，脑卒中致病高危因素筛查中的准确度为73.5%，灵敏度为67.0%，特异度为80.0%^[16]。2）LR算法：首先找到特征与特定结果概率之间的关系，使用S形曲线估计一个分类因变量和一个或多个自变量之间概率的LR关系^[17]。Lin等^[18]使用多变量LR算法预测脑卒中后病人的日常生活活动能力，通过交叉验证评估模型性能，以确保最小化偏差，平均绝对误差（MAE）被用作评估LR预测模型准确性，病人出院时实际自理能力评分的MAE为9.95，肢体功能康复变化百分比为61.36%。3）SVM算法：根据数据特性分线性和非线性，脑卒中病人日常生活活动能力的内容属于线性且不可分离，SVM利用核心函数将收集到的数据映射到一个高维空间中，并在此基础上找到最佳的分类器^[19]。SVM算法的优势是以少量的数据集为基础，能有效地对纳入数据进行筛选。相比传统测量方法，SVM算法更简单，且能有效地规避过耦合的倾向，还可在训练集中筛选样本，从而捕捉到研究对象的主要特点^[20]。张丽娜等^[21]建立了SVM预测模型对急性出血性脑卒中病人的活动能力进行了预测，与LR算法进行对比，SVM算法在灵敏度、特异度、准确度等方面有明显的优势。Suzuki等^[22]使用非线性SVM算法收集脑卒中病人自理活动中独立性和依赖性的自举握力数据集，将这些数据集随机分配到训练集和测试集并进行10次交叉验证，结果显示，SVM算法在预测病人进食、梳洗、穿脱上衣、穿脱裤子、沐浴的准确率分别是71%、77%、75%、72%、68%。SVM算法可更准确地预测病人自我护理活动中的独立性或依赖性，为临床医务人员高效管理脑卒中病人肢体运动功能康复提供理论依据。

4  机器学习预测脑卒中康复期病人的日常生活活动能力

脑卒中属于致残率高的一类疾病，脑卒中早期康复指南指出，脑卒中后尽早实施功能锻炼是经循证医学证实的对降低致残率最有效的方法，是脑卒中组织化管理中不可或缺的关键环节，为Ⅰ级推荐^[23]。针对脑卒中后神经功能损伤的康复需求，国内外学者提出了超早期康复、Bobath技术、Brunnstrom技术、作业治疗、运动再学习等康复评定技术，旨在促进脑卒中后康复期病人日常生活活动能力的恢复，充分利用医疗信息系统中的数据对康复期脑卒中病人实现个性化自动检测及实时监测，不断提高机器学习预测早期脑卒中病人日常生活活动能力的准确性。

Zhang等^[24]使用LR和决策树模型确定影响早期脑卒中病人日常生活活动能力的关键因素是脑卒中的严重程度和住院时间，病人在肢体功能恢复、自理能力评分方面均有明显的提高，表明在机器学习的背景下使用早期康复治疗和持续康复治疗对于改善脑卒中康复期病人的日常生活活动能力是有用的，可以缩短病人住院时间，提升生活质量。由于样本量较小，试验结果应谨慎解读，未来的研究需扩大样本量，以验证该研究结果的可靠性。采取SVM算法对脑卒中病人入院后的血液检查参数进行预测，发现脑卒中的发病类型并不是影响脑卒中后运动功能、认知功能减退的主要因素，在预测病人自理能力时，SVM算法有良好的响应率，平均绝对偏差百分比（MADP）为83.96%^[25]。Imura等^[26]在此基礎上选用机器学习开发的5种分类模型再次验证了SVM模型分类准确率为82.6%，受试者工作特征曲线下面积（AUC）为0.91，灵敏度为94.4%，具有良好预测性能，证明了模型具有良好的泛化能力和外推性。Lin等^[18]通过LR算法筛选出年龄、性别和进入冠心病病房时的自理能力评分等作为预测因子，基于机器学习在15项康复评估内容下构建病人出院时自理能力评分的预测模型，结果显示，所有机器学习分类模型在预测病人出院时自理能力评分均优于常规量表评估，LR和RF算法的AUC值为0.79，优于SVM算法（AUC值为0.77），综合运用多种评估工具和机器学习算法，有助于提高脑卒中病人日常生活活动能力预测的准确性和全面性。

脑卒中发病后的半年内是肢体功能恢复的最佳阶段，前3个月是康复的“黄金期”，但目前脑卒中病人的平均住院天数是10 d^[27]。机器学习算法能在短期内同时检测到脑卒中病人的5种功能，并表现出更好的灵敏性和可靠性，可降低脑卒中后康复阶段病人肢体活动功能缺如的概率。Lin等^[28]使用XGBoost算法根据病人入院时的自理能力评分、脑卒中姿势评估量表（PASS）评分和脑卒中康复运动评估（STREAM）短期预测病人的日常生活活动能力、平衡、上肢和下肢功能以及运动功能，标准化反应均数（SRM）是检查机器学习对5项活动功能预测的反应性，均达到了良好反应性的标准验证数据集，最后用原始的3种量表对XGBoost算法进行验证，机器学习的算法对病人的5项功能预测得分为124分，而原始量表评估得分为37分，XGBoost算法对5项活动功能的分数与原始测量具有相同的分数范围，但得分更高。此项研究的优势是当XGBoost算法接触到大量數据时，会不断完善自身以获得更高的性能，打破数据范围限制，提高了评估效率，为实施精准康复和以病人为中心的护理提供参考。药物是治疗脑卒中的基础手段，贯穿于控制病情和预防复发的全过程^[29]，未来研究中应增加监测给药时间。

以上研究结果表明，机器学习的方法可运用于早期脑卒中病人日常生活活动能力的识别、分类，有效提高了评估的精度和准确性，为下一步开展康复医疗计划、标准化临床护理管理路径提供精确的数据保障，同时可对肢体神经功能正常或损伤情况进行鉴别分类，提高了对脑卒中后肢体活动功能的早期识别和诊断效率。然而，SVM属于二分类算法，故无法同时处理多类别和训练大规模数据集。近年来，深度学习的快速发展弥补了SVM算法的缺点和不足，将多分类问题转换为多个单分类问题，将大规模数据转换为微小的样本集合。此外，选择深度学习模型可凭借其数据增补技术有效地解决图像样本类型单一、活动图像样本匮乏等问题^[30]，深度学习算法可实现对行为数据的自动标记，并能从数据集中提取大量的预测因子，从而节约人力物力。

5  机器学习预测脑卒中恢复期病人的日常生活活动能力

中低收入国家脑卒中的病死率和死亡率较高，可能与经济负担过重、家庭主要照顾者对疾病康复维护、监测和管理欠缺有关^[31]。约75%的脑卒中幸存者伴有不同程度的运动功能障碍甚至是终身残疾^[32]，尤以行走障碍和肢端偏瘫多见，日常生活活动难以独立完成，导致生活质量下降及负性情绪的产生。因此，国内外学者陆续提出针对脑卒中恢复期的重要技术进展，包括多模块康复护理模式、远程康复、虚拟和增强现实、可穿戴传感器和智能手机应用等，旨在运用多学科康复管理方案改善恢复期脑卒中病人的日常生活活动能力和独立性方面的结局。脑卒中病人出院后肢体功能仍需持续监测和康复训练，且病人要重返家庭和社会，必须最大限度地提高日常生活活动能力，机器学习的方法能精准识别脑卒中病人恢复期肢体运动功能的情况。

Thakkar等^[13]对慢性脑卒中病人进行过约束诱导运动疗法、双侧手臂训练、机器人辅助疗法和镜像治疗的康复训练，依据3个主要预测因子即脑卒中后时间、FIM和FMA评分进行训练、测试验证，构建使用KNN和ANN模型预测脑卒中恢复期病人运动功能改善情况，KNN模型的正确率和AUC值分别为85.42%、0.89，ANN模型的预测精度和AUC值为81.25%、0.77。Chen等^[33]使用可穿戴传感器系统识别人类活动，基于决策树、RF、SVM和XGBoost算法建立预测模型，预测社区脑卒中病人日常生活活动能力的肢体活动度，结果表明，4种模型都有较好的预测效果，横向对比发现XGBoost模型的效果优于其他3种模型，机器学习方法预测病人日常生活活动能力的准确率达到82%。Chen等^[34]同样使用了4种机器学习算法（LR、KNN、SVM和RF）建立分类预测模型，在18个预测因子中选择了上肢运动功能、人口统计学和脑卒中特征作为最重要预测内容，结果表明，对于18个预测因子，SVM和RF算法的性能较好精度和AUC值分别为0.76，0.83；对于4个预测因子，RF算法在性能上最佳精度和AUC值分别为0.76，0.87。该研究不仅证明了使用机器学习预测脑卒中后日常生活活动能力恢复情况的可行性，且对于改善脑卒中恢复期病人肢体功能活动度是有效的，减少了病人再入院的发生率。Yang等^[35]首次将机器学习预测模型运用于多模态MRI下脑卒中后运动功能变化的数据处理，利用机器学习的方法可以很好地识别神经图像多种变量的特征，由于样本量有限，无法验证预测模型性能，可能会导致数据过度耦合。除此之外，Tozlu等^[36]将102例受试者的人口统计学、临床评估、神经生理学勾连影像学作为预测因素形成的数据集，利用机器学习方法自动化比较大量低维和高维数据集的结果，RF和ANN算法在分类慢性脑卒中病人干预后上肢运动功能显著变化的病人时表现出良好灵敏度，对于数据集包括成对的不连贯信息，SVM算法显示出极佳的特异性。Kim等^[37]采取DNN算法建立偏瘫脑卒中病人上肢和下肢运动能力预测模型，结论显示，DNN模型在预测上肢功能方面，AUC值为0.906；预测下肢功能时，AUC值为0.822，预测准确率均比LR和RF算法高，且DNN算法在预测病人上肢活动能力时表现更佳，减轻了医护人员的工作量，也影响了评估结果的准确性。

以上研究结果表明，在评价恢复期脑卒中病人日常生活活动能力时，借助机器学习的方法可预测复杂的日常活动任务从而评价病人肢体神经功能恢复情况，由于恢复阶段病人的活动能力呈现复杂、动态和多因素的特性，是导致家庭照顾者赋权能力水平不高的因素之一^[38]。采取多种机器学习的算法对脑卒中恢复期残余功能的不同变量进行预测，如探究脑卒中后影响病人日常生活活动能力的危险因素时可考虑采用RF算法应用为主，使用决策树进行分析，但需注意避免模型过耦合的情况；对于脑卒中影像分析研究中，以SVM、DNN算法等为主，其中针对小量数据集可采用SVM、RF和聚类算法，而对于海量数据则使用ANN或深度学习算法。采取多种机器学习算法不仅能发现影响功能康复的主要决定因素及其对其他活动的损伤，为开展治疗干预措施提供机会，从而提高病人的生存寿命和照顾者照护的有效性，且可以在这个过程中比较出最精确的算法，为后期进一步的研究提供了导向作用。

6  局限性

深度学习作为机器学习中回归功能的一个分支，在生物医学图像分析中其有效性已被证实，如组织、解剖、病变图像数据的收集、分析、疾病发展预测等^[39]。研究表明，在许多计算机辅助诊断应用系统中，深度学习比传统的机器学习方法在预测性能上更准确和稳健^[40]。然而，DNN预测模型也存在一定缺点，如计算量较大、设计复杂及硬件成本较高，在基层推广仍需进一步研究，以便在各种实践环境下更广泛地使用。此外，在选择算法时应考虑预测模型的可解释性，如ANN的“黑盒”效应，经济成本较高的DNN模型。但因目前ANN和DNN算法的准确性相对较高，未来研究可进一步改善不足以提供最佳适用模型。除了机器学习的分类功能在分析更復杂的特征数据时存在困难外，在数据特征处理中，往往需要花费大量时间进行特征的标注，降低预测结果准确率^[41]。而基于机器学习最大的缺点是无法有效地从图像中抽取图像的特征信息，这是目前一些分析影像结果的研究中存在无反应的主要原因。

下一步的研究需要大样本、多中心的临床试验研究进一步探讨机器学习在预测脑卒中病人日常生活活动能力中的应用效果。基于循证医学的方法学评价在提高机器学习模型制作过程的规范性和证据质量上对于机器学习预测脑卒中病人神经功能的改善至关重要^[42?43]，可以此深入了解机器学习预测的作用机制。随着互联网大数据平台的不断推广及科学技术的发展，机器学习的作用机制更透明化以及临床应用研究将会逐渐完善，机器学习也将成为脑卒中后日常活动功能障碍病人新的治疗辅助手段。

7  小结

随着医疗信息技术的飞速发展，脑卒中后病人的康复结局也进入大数据时代，面对数量庞大、形态复杂的数据，传统方法已不能对此类数据进行有效的收集、存储和分析，机器学习则为其提供了新的研究方向。目前，机器学习在预测脑卒中后病人的日常生活活动能力中取得了一定的进展和成效，如基于机器学习预测脑卒中后病人肢体活动度并自动进行分级、构建影响脑卒中病人活动能力恢复的预测模型等方面的研究，不仅提高了对病人肢体功能锻炼的有效性和精准性，还为信息化管理奠定了坚实基础，使脑卒中后的康复锻炼更科学化、客观化和便捷化。因机器学习对输入数据量的限制，如何建立起既可以容纳数量庞大、形态复杂和跨域关联的数据库，还具备自动化扩充以不断地容纳更新数据的能力，如何改善医疗资源的配置和提高数据挖掘的准确性、提高医务人员的预测效率、实现智慧医疗有待进一步的探索。

参考文献：

[1]  王拥军，李子孝，谷鸿秋，等.中国卒中报告2020（中文版）（1）[J].中国卒中杂志，2022，17（5）：433-447.

[2]  王陇德，彭斌，张鸿祺，等.《中国脑卒中防治报告2020》概要[J].中国脑血管病杂志，2022，19（2）：136-144.

[3]  DING L L，LIU C，LI Z X，et al.Incorporating artificial intelligence into stroke care and research[J].Stroke，2020，51（12）：e351-e354.

[4]  吴宗友，白昆龙，杨林蕊，等.电子病历文本挖掘研究综述[J].计算机研究与发展，2021，58（3）：513-527.

[5]  SAMUEL A L.Some studies in machine learning using the game of checkers[J].IBM Journal of Research and Development，1959，3（3）：210-229.

[6]  徐洪学，孙万有，杜英魁，等.机器学习经典算法及其应用研究综述[J].电脑知识与技术，2020，16（33）：17-19.

[7]  廖华龙，曾小茜，李华凤，等.机器学习在疾病预测中的应用[J].生物医学工程研究，2021，40（2）：203-209.

[8]  KRIEGESKORTE N，GOLAN T.Neural network models and deep learning[J].Current Biology，2019，29（7）：R231-R236.

[9]  胡永善.中国脑血管病后三级康复治疗的研究[J].中国临床康复，2002，6（7）：935-937.

[10]  周静，刘芳，周明超，等.一种新型日常生活活动能力量表与Barthel指数-5项在康复科中应用的特征比较[J].中国康复医学杂志，2021，36（12）：1529-1534.

[11]  GOTTRUP C，THOMSEN K，LOCHT P，et al.Applying instance-based techniques to prediction of final outcome in acute stroke[J].Artificial Intelligence in Medicine，2005，33（3）：223-236.

[12]  GREENER J G，KANDATHIL S M，MOFFAT L，et al.A guide to machine learning for biologists[J].Nature Reviews Molecular Cell Biology，2022，23：40-55.

[13]  THAKKAR H K，LIAO W W，WU C Y，et al.Predicting clinically significant motor function improvement after contemporary task-oriented interventions using machine learning approaches[J].Journal of Neuroengineering and Rehabilitation，2020，17（1）：131.

[14]  吴菊华，张烁，陶雷，等.基于神经网络的脑卒中风险预测模型研究[J].数据分析与知识发现，2019，3（12）：70-75.

[15]  谭英，耿德勤，黄水平.用人工神经网络建立缺血性脑卒中复发的预测模型[J].中国卫生统计，2013，30（5）：687-689.

[16]  黄晓霞，严玉洁，尉敏琦，等.Logistic回归、决策树和神经网络在脑卒中高危筛查中的性能比较[J].中国慢性病预防与控制，2016，24（6）：412-415.

[17]  杨剑锋，乔佩蕊，李永梅，等.机器学习分类问题及算法研究综述[J].统计与决策，2019，35（6）：36-40.

[18]  LIN W Y，CHEN C H，TSENG Y J，et al.Predicting post-stroke activities of daily living through a machine learning-based approach on initiating rehabilitation[J].International Journal of Medical Informatics，2018，111：159-164.

[19]  武胜勇，何倩，郭轶斌，等.机器学习算法在脑卒中诊治中的应用现状及展望[J].中国卫生统计，2021，38（3）：464-467.

[20]  KRELL M M，WILSHUSEN N，SEELAND A，et al.Classifier transfer with data selection strategies for online support vector machine classification with class imbalance[J].Journal of Neural Engineering，2017，14（2）：025003.

[21]  张丽娜，李国春，周学平，等.基于支持向量机的急性出血性脑卒中早期预后模型的建立与评价[J].南京医科大学学报（自然科学版），2016，36（1）：80-84.

[22]  SUZUKI M，SUGIMURA S，SUZUKI T，et al.Machine-learning prediction of self-care activity by grip strengths of both hands in poststroke hemiplegia[J].Medicine，2020，99（11）：e19512.

[23]  中华医学会神经病学分会，中华医学会神经病学分会神经康复学组，中华医学会神经病学分会脑血管病学组.中国脑卒中早期康复治疗指南[J].中华神经科杂志，2017，50（6）：405-412.

[24]  ZHANG Q L，ZHANG Z Y，HUANG X Q，et al.Application of logistic regression and decision tree models in the prediction of activities of daily living in patients with stroke[J].Neural Plasticity，2022，2022：9662630.

[25]  SALE P，FERRIERO G，CIABATTONI L，et al.Predicting motor and cognitive improvement through machine learning algorithm in human subject that underwent a rehabilitation treatment in the early stage of stroke[J].Journal of Stroke and Cerebrovascular Diseases，2018，27（11）：2962-2972.

[26]  IMURA T，TODA H，IWAMOTO Y，et al.Comparison of supervised machine learning algorithms for classifying of home discharge possibility in convalescent stroke patients：a secondary analysis[J].Journal of Stroke and Cerebrovascular Diseases，2021，30（10）：106011.

[27]  陳淡芬，陈康娜，徐素梅.2 503例脑卒中病人住院费用分析[J].中西医结合心血管病电子杂志，2020，8（22）：172.

[28]  LIN G H，LI C Y，SHEU C F，et al.Using machine learning to develop a short-form measure assessing 5 functions in patients with stroke[J].Archives of Physical Medicine and Rehabilitation，2022，103（8）：1574-1581.

[29]  张丽杰.他汀类药物在脑卒中治疗中的应用效果观察[J].基层医学论坛，2022，26（34）：41-43.

[30]  RICHARDS B A，LILLICRAP T P，BEAUDOIN P，et al.A deep learning framework for neuroscience[J].Nature Neuroscience，2019，22：1761-1770.

[31]  THRIFT A G，THAYABARANATHAN T，HOWARD G，et al.Global stroke statistics[J].International Journal of Stroke，2017，12（1）：13-32.

[32]  古楚兒，彭刚艺，应文娟，等.老年脑梗死病人社会化住院现状及影响因素分析[J].中华护理杂志，2019，54（2）：194-198.

[33]  CHEN P W，BAUNE N A，ZWIR I，et al.Measuring activities of daily living in stroke patients with motion machine learning algorithms：a pilot study[J].International Journal of Environmental Research and Public Health，2021，18（4）：1634.

[34]  CHEN Y W，LIN K C，LI Y C，et al.Predicting patient-reported outcome of activities of daily living in stroke rehabilitation：a machine learning study[J].Journal of Neuroengineering and Rehabilitation，2023，20（1）：25.

[35]  YANG H E，KYEONG S，KANG H，et al.Multimodal magnetic resonance imaging correlates of motor outcome after stroke using machine learning[J].Neuroscience Letters，2021，741：135451.

[36]  TOZLU C，EDWARDS D，BOES A，et al.Machine learning methods predict individual upper-limb motor impairment following therapy in chronic stroke[J].Neurorehabilitation and Neural Repair，2020，34（5）：428-439.

[37]  KIM J K，CHOO Y J，CHANG M C.Prediction of motor function in stroke patients using machine learning algorithm：development of practical models[J].Journal of Stroke and Cerebrovascular Diseases，2021，30（8）：105856.

[38]  CHENG H Y，CHAIR S Y，CHAU J P C.Effectiveness of a strength-oriented psychoeducation on caregiving competence，problem-solving abilities，psychosocial outcomes and physical health among family caregiver of stroke survivors：a randomised controlled trial[J].International Journal of Nursing Studies，2018，87：84-93.

[39]  LITJENS G，KOOI T，BEJNORDI B E，et al.A survey on deep learning in medical image analysis[J].Medical Image Analysis，2017，42：60-88.

[40]  SHIN H C，ROTH H R，GAO M C，et al.Deep convolutional neural networks for computer-aided detection：CNN architectures，dataset characteristics and transfer learning[J].IEEE Transactions on Medical Imaging，2016，35（5）：1285-1298.

[41]  ZAHIA S，SIERRA-SOSA D，GARCIA-ZAPIRAIN B，et al.Tissue classification and segmentation of pressure injuries using convolutional neural networks[J].Computer Methods and Programs in Biomedicine，2018，159：51-58.

[42]  郭琼，冯堃，龙囿霖，等.创新医疗器械临床研究方法学框架解读[J].中国胸心血管外科临床杂志，2022，29（7）：828-833.

[43]  DECIDE-AI Steering Group.DECIDE-AI：new reporting guidelines to bridge the development-to-implementation gap in clinical artificial intelligence[J].Nature Medicine，2021，27（2）：186-187.

（收稿日期：2023-06-16；修回日期：2024-03-25）

（本文编辑 苏琳）