StrokeENDPredictor-19：急性缺血性脑卒中静脉溶栓后神经功能恶化预测新模型的建立与验证

　　本研究针对急性缺血性脑卒中静脉溶栓（IVT）后早期神经功能恶化（END）的预测难题，开发了基于XGBoost算法的AI预测模型StrokeENDPredictor-19。该模型通过SHAP可解释性分析，内部验证准确率达91%（AUC=0.96），外部验证准确率90%（AUC=0.95），为临床提供量化风险评估工具。

　　

在急性缺血性卒中（acute ischemic stroke）治疗领域，静脉溶栓（Intravenous Thrombolysis, IVT）后出现的早期神经功能恶化（Early Neurological Deterioration, END）暴露了当前治疗策略的潜在风险。为提升治疗效能，本研究致力于开发兼具高精度与临床可解释性的人工智能预测模型。

这项前瞻性队列研究纳入了970例接受IVT治疗的急性缺血性卒中患者。其中365例患者数据用于模型开发与内部验证，605例用于外部验证。研究团队构建了五种机器学习模型，采用准确率与AUC（Area Under Curve）等指标进行性能比较。通过XGBoost（Extreme Gradient Boosting）算法进行特征筛选与模型优化，并结合SHapley Additive exPlanations（SHAP）方法增强模型可解释性，最终建立了StrokeENDPredictor-19预测系统。

研究结果显示，XGBoost模型在内部验证中准确率达到91%（AUC=0.96），在外部验证中保持90%的准确率（AUC=0.95），显著优于其他对比模型。值得一提的是，该研究首次确立了关键临床特征的截断值（cutoff values），为临床实践提供了可量化的风险评估标准。

StrokeENDPredictor-19模型为神经科医师提供了精准预测IVT治疗后END发生概率的有效工具，通过量化风险评估支持临床决策的精准化与个体化，标志着卒中管理向数据驱动型精准医疗迈出重要一步。