李賢 馬秀芝

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??對(duì)機(jī)器學(xué)習(xí)的應(yīng)用基礎(chǔ)、機(jī)器學(xué)習(xí)預(yù)測(cè)康復(fù)期及恢復(fù)期腦卒中病人生活活動(dòng)能力、機(jī)器學(xué)習(xí)預(yù)測(cè)腦卒中病人日常生活活動(dòng)能力中的應(yīng)用局限性進(jìn)行綜述，旨在為推動(dòng)腦卒中病人肢體功能康復(fù)的信息化管理提供參考。

關(guān)鍵詞??腦卒中；機(jī)器學(xué)習(xí)；日常生活活動(dòng)能力；信息化管理；綜述

doi：10.12102/j.issn.1009-6493.2024.08.017

腦卒中是一種急性腦血管疾病，由于腦血管病變引起腦功能障礙，是全球致死、致殘的首要原因。我國(guó)腦卒中篩查數(shù)據(jù)顯示，城市和農(nóng)村居民的腦血管病的發(fā)病率分別為203.6/10萬(wàn)和298.2/10萬(wàn)，死亡率分別為128.88/10萬(wàn)和160.19/10萬(wàn)^[1]。隨著人口老齡化和城市化進(jìn)程加速，發(fā)生腦卒中的危險(xiǎn)因素仍在逐年增長(zhǎng)，給社會(huì)帶來(lái)沉重的負(fù)擔(dān)。腦卒中發(fā)病率呈年輕化趨勢(shì)^[2]，為了提高臨床對(duì)腦卒中的識(shí)別和診斷的能力，減少疾病的致殘率和復(fù)發(fā)率，應(yīng)對(duì)腦卒中的發(fā)病危險(xiǎn)因素進(jìn)行篩查，對(duì)腦卒中后病人的肢體運(yùn)動(dòng)功能達(dá)到準(zhǔn)確的評(píng)估，做到早發(fā)現(xiàn)、早預(yù)防、早診斷、早治療。近年來(lái)，國(guó)內(nèi)外學(xué)者在信息化管理的背景下，通過(guò)機(jī)器學(xué)習(xí)的方式對(duì)腦卒中病人日常生活活動(dòng)能力進(jìn)行預(yù)測(cè)，從而達(dá)到快速、精準(zhǔn)判斷腦卒中后肢體功能活動(dòng)程度的目的^[3]。近年來(lái)，機(jī)器學(xué)習(xí)在計(jì)算機(jī)和數(shù)據(jù)分析的背景下迅速發(fā)展，在醫(yī)療衛(wèi)生事業(yè)發(fā)揮了極大的作用，利用機(jī)器學(xué)習(xí)的方法不僅可以提高病人的康復(fù)水平，還能為臨床醫(yī)護(hù)人員進(jìn)行決策時(shí)提供便利。機(jī)器學(xué)習(xí)能夠通過(guò)計(jì)算機(jī)模擬學(xué)習(xí)將大量非結(jié)構(gòu)化數(shù)據(jù)集派生的數(shù)據(jù)規(guī)則進(jìn)行預(yù)測(cè)，廣泛應(yīng)用于腦血管疾病的診斷、分類(lèi)、圖像分析和風(fēng)險(xiǎn)預(yù)測(cè)。

1 ?機(jī)器學(xué)習(xí)的應(yīng)用基礎(chǔ)

隨著醫(yī)療信息系統(tǒng)的現(xiàn)代化，傳統(tǒng)病歷被電子病歷（electronic medical record，EMR）所取代，包含了結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)資料，腦卒中病人活動(dòng)能力包含大量非結(jié)構(gòu)數(shù)據(jù)，如病人個(gè)人信息、護(hù)理記錄等在內(nèi)的圖像和文本數(shù)據(jù)^[4]。EMR作為無(wú)紙化的病歷可以完整和準(zhǔn)確地反映病人長(zhǎng)期就診過(guò)程，便于醫(yī)護(hù)人員可隨時(shí)查閱和全面管理有關(guān)病人的各種信息資料，但其會(huì)產(chǎn)生數(shù)量龐大、形態(tài)復(fù)雜的數(shù)據(jù)，傳統(tǒng)方法難以對(duì)其進(jìn)行有效的收集、管理和分析，嚴(yán)重限制了信息化管理的發(fā)展。機(jī)器學(xué)習(xí)于1959年由Samuel^[5]首次提出，在人工智能的學(xué)術(shù)領(lǐng)域界被稱(chēng)為“機(jī)器學(xué)習(xí)的先驅(qū)”，其在數(shù)據(jù)的數(shù)量和類(lèi)型的積累上是推動(dòng)存儲(chǔ)技術(shù)和分析技術(shù)創(chuàng)新的驅(qū)動(dòng)力^[6]。機(jī)器學(xué)習(xí)的預(yù)測(cè)分析過(guò)程是通過(guò)特征處理、數(shù)據(jù)處理、建立模型3個(gè)部分，根據(jù)需要處理的數(shù)據(jù)是否存在人為標(biāo)注分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)，機(jī)器學(xué)習(xí)算法包括K近鄰（KNN）、樸素貝葉斯（NB）、邏輯回歸（LR）、支持向量機(jī)（SVM）、隨機(jī)森林（RF）、人工神經(jīng)網(wǎng)絡(luò)（ANN）^[7]。根據(jù)不同的應(yīng)用場(chǎng)景，選擇合適的算法，預(yù)測(cè)腦卒中病人的日常生活活動(dòng)能力屬于監(jiān)督學(xué)習(xí)的方法，機(jī)器學(xué)習(xí)的分類(lèi)和算法都具有各自的特長(zhǎng)和不足。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)進(jìn)階發(fā)展史上具有里程碑意義的一種算法，成了目前機(jī)器學(xué)習(xí)的研究熱點(diǎn)，憑借其強(qiáng)大的自動(dòng)化檢測(cè)誤差過(guò)程中提取數(shù)據(jù)特征進(jìn)行模擬學(xué)習(xí)的能力和先進(jìn)的算法應(yīng)用于腦卒中預(yù)后的各個(gè)方面^[8]。深度神經(jīng)網(wǎng)絡(luò)（DNN）是深度學(xué)習(xí)最核心的部分，通過(guò)DNN分層方式學(xué)習(xí)數(shù)據(jù)的輸出，從而達(dá)到模擬人腦對(duì)數(shù)據(jù)庫(kù)進(jìn)行信息提取。但深度學(xué)習(xí)對(duì)計(jì)算機(jī)的運(yùn)算能力要求較高，模型的設(shè)計(jì)構(gòu)造復(fù)雜，適用性相對(duì)較差，未來(lái)深度學(xué)習(xí)算法的運(yùn)用挖掘?qū)閷?shí)現(xiàn)腦卒中病人肢體運(yùn)動(dòng)功能智能化預(yù)測(cè)提供發(fā)展依據(jù)。

2 ?機(jī)器學(xué)習(xí)預(yù)測(cè)腦卒中病人日常生活活動(dòng)能力的優(yōu)勢(shì)

《中國(guó)腦卒中康復(fù)治療指南（2011完整版）》根據(jù)急性腦血管病三級(jí)康復(fù)網(wǎng)絡(luò)的研究將腦卒中后的康復(fù)階段分3期^[9]，當(dāng)腦卒中發(fā)生處于早期階段時(shí)，雖然積極的藥物治療和個(gè)體化功能康復(fù)鍛煉可以防止活動(dòng)能力發(fā)生進(jìn)一步的障礙，但我國(guó)大部分病人在病情穩(wěn)定時(shí)選擇出院回家休養(yǎng)，影響肢體功能康復(fù)效果不佳甚至是進(jìn)一步的功能障礙。當(dāng)病人肢體功能康復(fù)處于2級(jí)或3級(jí)，特別是病人還伴隨其他基礎(chǔ)疾病時(shí)，會(huì)導(dǎo)致康復(fù)的時(shí)間延長(zhǎng)甚至是預(yù)后不良。目前臨床針對(duì)腦卒中后肢體功能采用量表的方式進(jìn)行評(píng)估，量表檢查法作為評(píng)價(jià)活動(dòng)能力的方式是臨床及科研工作的立足點(diǎn)，評(píng)估結(jié)果可以直觀地反映病人的肢體功能狀況，但通過(guò)量表評(píng)價(jià)的方式也存在無(wú)法忽視的缺陷。日常生活活動(dòng)能力評(píng)分（MBI）和功能獨(dú)立性評(píng)定量表（FIM）的測(cè)試內(nèi)容較全面，但MBI缺少社會(huì)參與類(lèi)項(xiàng)目，不能直接反映病人的自理能力，且存在評(píng)估內(nèi)容單一的問(wèn)題，需要增加對(duì)心理、社會(huì)參與等方面能力的描述；FIM評(píng)分對(duì)評(píng)估者的職業(yè)素質(zhì)有很高的要求，難以在社區(qū)、居家康復(fù)中得到廣泛使用；工具性日常生活行為量表（IADL）和疲勞評(píng)定量表（FAI）可操作性和病人接受度都較高，不足在于均來(lái)自國(guó)外，對(duì)于國(guó)內(nèi)人群的適用性有待檢驗(yàn)且預(yù)測(cè)結(jié)果的準(zhǔn)確性可能較差；龍氏日常生活活動(dòng)能力量表使用圖表方式對(duì)病人的日常生活活動(dòng)能力進(jìn)行評(píng)估，內(nèi)容直觀便于病人理解，但臨床應(yīng)用存在“天花板”和“地板效應(yīng)”^[10]，難以反映病人實(shí)際的功能變化。隨著康復(fù)技術(shù)不斷地與人工智能領(lǐng)域融合，利用機(jī)器學(xué)習(xí)的算法研發(fā)了日常生活活動(dòng)能力的分類(lèi)、肢體功能和風(fēng)險(xiǎn)因素預(yù)測(cè)系統(tǒng)等技術(shù)，實(shí)現(xiàn)對(duì)日常生活活動(dòng)能力非結(jié)構(gòu)性數(shù)據(jù)進(jìn)行分析，可以準(zhǔn)確、高效地對(duì)日常生活活動(dòng)能力進(jìn)行評(píng)估和監(jiān)測(cè)。與以往依賴(lài)臨床護(hù)理人員進(jìn)行主觀評(píng)估的方法相比，基于機(jī)器學(xué)習(xí)的預(yù)測(cè)方法具有客觀、自動(dòng)、便捷等優(yōu)點(diǎn)，在預(yù)測(cè)腦卒中病人日常生活活動(dòng)能力時(shí)，可以提醒醫(yī)護(hù)人員提前干預(yù)，從而降低康復(fù)期肢體功能殘障的發(fā)生率，幫助護(hù)理人員更加客觀、高效地評(píng)估腦卒中病人肢體活動(dòng)功能情況和依賴(lài)程度。

腦卒中病人日常活動(dòng)能力主要評(píng)價(jià)肢體活動(dòng)評(píng)估的準(zhǔn)確性、特異性和精確性。最佳的評(píng)估系統(tǒng)應(yīng)具備以下條件：1）能夠克服圖像數(shù)據(jù)收集時(shí)不同的特征類(lèi)型、范圍和動(dòng)態(tài)活動(dòng)對(duì)肢體功能測(cè)量和分析結(jié)果的影響；2）能識(shí)別并進(jìn)行分割每項(xiàng)日常活動(dòng)之間的聯(lián)系與區(qū)別；3）能夠?qū)θ粘；顒?dòng)進(jìn)行有效的測(cè)量，包括類(lèi)型、所占百分比、風(fēng)險(xiǎn)因素；4）能夠?qū)⒆詣?dòng)捕捉到的數(shù)據(jù)用于預(yù)測(cè)肢體功能最佳愈合度和構(gòu)建腦卒中病人日常生活活動(dòng)能力的臨床預(yù)測(cè)模型。

3 ?機(jī)器學(xué)習(xí)預(yù)測(cè)腦卒中病人日常生活活動(dòng)能力的方法

通過(guò)文獻(xiàn)檢索可知，早在2005年機(jī)器學(xué)習(xí)的預(yù)測(cè)方法就在腦卒中的研究中有所應(yīng)用^[11]，最初多用于解決回歸問(wèn)題。機(jī)器學(xué)習(xí)的方法是經(jīng)過(guò)對(duì)病人的EMR數(shù)據(jù)進(jìn)行預(yù)處理和自然語(yǔ)言處理后提取腦卒中病人日常生活活動(dòng)能力的臨床變量，不同的機(jī)器學(xué)習(xí)算法在預(yù)測(cè)機(jī)制和預(yù)測(cè)精準(zhǔn)度上也會(huì)有所區(qū)別。本研究主要列舉機(jī)器學(xué)習(xí)中較為常用及經(jīng)典算法在預(yù)測(cè)腦卒中病人日常生活活動(dòng)能力中的特性。1）ANN算法：可以對(duì)腦卒中病人日常生活活動(dòng)能力的內(nèi)容進(jìn)行識(shí)別和分類(lèi)，如穿衣、洗漱、進(jìn)食等動(dòng)作特征，ANN將每個(gè)節(jié)點(diǎn)上的激活函數(shù)輸入的節(jié)點(diǎn)進(jìn)行轉(zhuǎn)換，這些激活函數(shù)會(huì)根據(jù)輸入特征自動(dòng)進(jìn)行區(qū)分使用線(xiàn)性或非線(xiàn)性的方式，繼而從上一節(jié)點(diǎn)的數(shù)據(jù)以最新數(shù)據(jù)輸出給下一節(jié)點(diǎn)，能夠有效克服傳統(tǒng)統(tǒng)計(jì)方法的某些局限性^?[12]。ANN的特征是借助大規(guī)模的標(biāo)注數(shù)據(jù)，自動(dòng)化反復(fù)地訓(xùn)練節(jié)點(diǎn)和隱含層中非線(xiàn)性的關(guān)系來(lái)調(diào)整算法。Thakkar等^[13]開(kāi)發(fā)了ANN算法針對(duì)慢性腦卒中病人運(yùn)動(dòng)功能恢復(fù)的預(yù)測(cè)模型，將數(shù)據(jù)隨機(jī)化分配到訓(xùn)練集（開(kāi)發(fā)模型）和測(cè)試集（最終檢驗(yàn)）并使用交叉驗(yàn)證過(guò)程保證所有數(shù)據(jù)都經(jīng)過(guò)訓(xùn)練集和測(cè)試集，模型建立后，使用標(biāo)準(zhǔn)性能指標(biāo)評(píng)估ANN模型的性能，準(zhǔn)確率為?81.25%，精密度為0.80，召回率為?0.81，特異度為?0.49，陽(yáng)性預(yù)測(cè)值（PPV）為0.80。國(guó)內(nèi)ANN算法應(yīng)用于腦卒中危險(xiǎn)因素預(yù)測(cè)模型的準(zhǔn)確率為97.10%^[14]，缺血性腦卒中病人復(fù)發(fā)的預(yù)測(cè)模型正確率為84.6%^[15]，腦卒中致病高危因素篩查中的準(zhǔn)確度為73.5%，靈敏度為67.0%，特異度為80.0%^[16]。2）LR算法：首先找到特征與特定結(jié)果概率之間的關(guān)系，使用S形曲線(xiàn)估計(jì)一個(gè)分類(lèi)因變量和一個(gè)或多個(gè)自變量之間概率的LR關(guān)系^[17]。Lin等^[18]使用多變量LR算法預(yù)測(cè)腦卒中后病人的日常生活活動(dòng)能力，通過(guò)交叉驗(yàn)證評(píng)估模型性能，以確保最小化偏差，平均絕對(duì)誤差（MAE）被用作評(píng)估LR預(yù)測(cè)模型準(zhǔn)確性，病人出院時(shí)實(shí)際自理能力評(píng)分的MAE為9.95，肢體功能康復(fù)變化百分比為61.36%。3）SVM算法：根據(jù)數(shù)據(jù)特性分線(xiàn)性和非線(xiàn)性，腦卒中病人日常生活活動(dòng)能力的內(nèi)容屬于線(xiàn)性且不可分離，SVM利用核心函數(shù)將收集到的數(shù)據(jù)映射到一個(gè)高維空間中，并在此基礎(chǔ)上找到最佳的分類(lèi)器^[19]。SVM算法的優(yōu)勢(shì)是以少量的數(shù)據(jù)集為基礎(chǔ)，能有效地對(duì)納入數(shù)據(jù)進(jìn)行篩選。相比傳統(tǒng)測(cè)量方法，SVM算法更簡(jiǎn)單，且能有效地規(guī)避過(guò)耦合的傾向，還可在訓(xùn)練集中篩選樣本，從而捕捉到研究對(duì)象的主要特點(diǎn)^[20]。張麗娜等^[21]建立了SVM預(yù)測(cè)模型對(duì)急性出血性腦卒中病人的活動(dòng)能力進(jìn)行了預(yù)測(cè)，與LR算法進(jìn)行對(duì)比，SVM算法在靈敏度、特異度、準(zhǔn)確度等方面有明顯的優(yōu)勢(shì)。Suzuki等^[22]使用非線(xiàn)性SVM算法收集腦卒中病人自理活動(dòng)中獨(dú)立性和依賴(lài)性的自舉握力數(shù)據(jù)集，將這些數(shù)據(jù)集隨機(jī)分配到訓(xùn)練集和測(cè)試集并進(jìn)行10次交叉驗(yàn)證，結(jié)果顯示，SVM算法在預(yù)測(cè)病人進(jìn)食、梳洗、穿脫上衣、穿脫褲子、沐浴的準(zhǔn)確率分別是71%、77%、75%、72%、68%。SVM算法可更準(zhǔn)確地預(yù)測(cè)病人自我護(hù)理活動(dòng)中的獨(dú)立性或依賴(lài)性，為臨床醫(yī)務(wù)人員高效管理腦卒中病人肢體運(yùn)動(dòng)功能康復(fù)提供理論依據(jù)。

4 ?機(jī)器學(xué)習(xí)預(yù)測(cè)腦卒中康復(fù)期病人的日常生活活動(dòng)能力

腦卒中屬于致殘率高的一類(lèi)疾病，腦卒中早期康復(fù)指南指出，腦卒中后盡早實(shí)施功能鍛煉是經(jīng)循證醫(yī)學(xué)證實(shí)的對(duì)降低致殘率最有效的方法，是腦卒中組織化管理中不可或缺的關(guān)鍵環(huán)節(jié)，為Ⅰ級(jí)推薦^[23]。針對(duì)腦卒中后神經(jīng)功能損傷的康復(fù)需求，國(guó)內(nèi)外學(xué)者提出了超早期康復(fù)、Bobath技術(shù)、Brunnstrom技術(shù)、作業(yè)治療、運(yùn)動(dòng)再學(xué)習(xí)等康復(fù)評(píng)定技術(shù)，旨在促進(jìn)腦卒中后康復(fù)期病人日常生活活動(dòng)能力的恢復(fù)，充分利用醫(yī)療信息系統(tǒng)中的數(shù)據(jù)對(duì)康復(fù)期腦卒中病人實(shí)現(xiàn)個(gè)性化自動(dòng)檢測(cè)及實(shí)時(shí)監(jiān)測(cè)，不斷提高機(jī)器學(xué)習(xí)預(yù)測(cè)早期腦卒中病人日常生活活動(dòng)能力的準(zhǔn)確性。

Zhang等^[24]使用LR和決策樹(shù)模型確定影響早期腦卒中病人日常生活活動(dòng)能力的關(guān)鍵因素是腦卒中的嚴(yán)重程度和住院時(shí)間，病人在肢體功能恢復(fù)、自理能力評(píng)分方面均有明顯的提高，表明在機(jī)器學(xué)習(xí)的背景下使用早期康復(fù)治療和持續(xù)康復(fù)治療對(duì)于改善腦卒中康復(fù)期病人的日常生活活動(dòng)能力是有用的，可以縮短病人住院時(shí)間，提升生活質(zhì)量。由于樣本量較小，試驗(yàn)結(jié)果應(yīng)謹(jǐn)慎解讀，未來(lái)的研究需擴(kuò)大樣本量，以驗(yàn)證該研究結(jié)果的可靠性。采取SVM算法對(duì)腦卒中病人入院后的血液檢查參數(shù)進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)腦卒中的發(fā)病類(lèi)型并不是影響腦卒中后運(yùn)動(dòng)功能、認(rèn)知功能減退的主要因素，在預(yù)測(cè)病人自理能力時(shí)，SVM算法有良好的響應(yīng)率，平均絕對(duì)偏差百分比（MADP）為83.96%^[25]。Imura等^[26]在此基礎(chǔ)上選用機(jī)器學(xué)習(xí)開(kāi)發(fā)的5種分類(lèi)模型再次驗(yàn)證了SVM模型分類(lèi)準(zhǔn)確率為82.6%，受試者工作特征曲線(xiàn)下面積（AUC）為0.91，靈敏度為94.4%，具有良好預(yù)測(cè)性能，證明了模型具有良好的泛化能力和外推性。Lin等^[18]通過(guò)LR算法篩選出年齡、性別和進(jìn)入冠心病病房時(shí)的自理能力評(píng)分等作為預(yù)測(cè)因子，基于機(jī)器學(xué)習(xí)在15項(xiàng)康復(fù)評(píng)估內(nèi)容下構(gòu)建病人出院時(shí)自理能力評(píng)分的預(yù)測(cè)模型，結(jié)果顯示，所有機(jī)器學(xué)習(xí)分類(lèi)模型在預(yù)測(cè)病人出院時(shí)自理能力評(píng)分均優(yōu)于常規(guī)量表評(píng)估，LR和RF算法的AUC值為0.79，優(yōu)于SVM算法（AUC值為0.77），綜合運(yùn)用多種評(píng)估工具和機(jī)器學(xué)習(xí)算法，有助于提高腦卒中病人日常生活活動(dòng)能力預(yù)測(cè)的準(zhǔn)確性和全面性。

腦卒中發(fā)病后的半年內(nèi)是肢體功能恢復(fù)的最佳階段，前3個(gè)月是康復(fù)的“黃金期”，但目前腦卒中病人的平均住院天數(shù)是10 d^[27]。機(jī)器學(xué)習(xí)算法能在短期內(nèi)同時(shí)檢測(cè)到腦卒中病人的5種功能，并表現(xiàn)出更好的靈敏性和可靠性，可降低腦卒中后康復(fù)階段病人肢體活動(dòng)功能缺如的概率。Lin等^[28]使用XGBoost算法根據(jù)病人入院時(shí)的自理能力評(píng)分、腦卒中姿勢(shì)評(píng)估量表（PASS）評(píng)分和腦卒中康復(fù)運(yùn)動(dòng)評(píng)估（STREAM）短期預(yù)測(cè)病人的日常生活活動(dòng)能力、平衡、上肢和下肢功能以及運(yùn)動(dòng)功能，標(biāo)準(zhǔn)化反應(yīng)均數(shù)（SRM）是檢查機(jī)器學(xué)習(xí)對(duì)5項(xiàng)活動(dòng)功能預(yù)測(cè)的反應(yīng)性，均達(dá)到了良好反應(yīng)性的標(biāo)準(zhǔn)驗(yàn)證數(shù)據(jù)集，最后用原始的3種量表對(duì)XGBoost算法進(jìn)行驗(yàn)證，機(jī)器學(xué)習(xí)的算法對(duì)病人的5項(xiàng)功能預(yù)測(cè)得分為124分，而原始量表評(píng)估得分為37分，XGBoost算法對(duì)5項(xiàng)活動(dòng)功能的分?jǐn)?shù)與原始測(cè)量具有相同的分?jǐn)?shù)范圍，但得分更高。此項(xiàng)研究的優(yōu)勢(shì)是當(dāng)XGBoost算法接觸到大量數(shù)據(jù)時(shí)，會(huì)不斷完善自身以獲得更高的性能，打破數(shù)據(jù)范圍限制，提高了評(píng)估效率，為實(shí)施精準(zhǔn)康復(fù)和以病人為中心的護(hù)理提供參考。藥物是治療腦卒中的基礎(chǔ)手段，貫穿于控制病情和預(yù)防復(fù)發(fā)的全過(guò)程^[29]，未來(lái)研究中應(yīng)增加監(jiān)測(cè)給藥時(shí)間。

以上研究結(jié)果表明，機(jī)器學(xué)習(xí)的方法可運(yùn)用于早期腦卒中病人日常生活活動(dòng)能力的識(shí)別、分類(lèi)，有效提高了評(píng)估的精度和準(zhǔn)確性，為下一步開(kāi)展康復(fù)醫(yī)療計(jì)劃、標(biāo)準(zhǔn)化臨床護(hù)理管理路徑提供精確的數(shù)據(jù)保障，同時(shí)可對(duì)肢體神經(jīng)功能正?；驌p傷情況進(jìn)行鑒別分類(lèi)，提高了對(duì)腦卒中后肢體活動(dòng)功能的早期識(shí)別和診斷效率。然而，SVM屬于二分類(lèi)算法，故無(wú)法同時(shí)處理多類(lèi)別和訓(xùn)練大規(guī)模數(shù)據(jù)集。近年來(lái)，深度學(xué)習(xí)的快速發(fā)展彌補(bǔ)了SVM算法的缺點(diǎn)和不足，將多分類(lèi)問(wèn)題轉(zhuǎn)換為多個(gè)單分類(lèi)問(wèn)題，將大規(guī)模數(shù)據(jù)轉(zhuǎn)換為微小的樣本集合。此外，選擇深度學(xué)習(xí)模型可憑借其數(shù)據(jù)增補(bǔ)技術(shù)有效地解決圖像樣本類(lèi)型單一、活動(dòng)圖像樣本匱乏等問(wèn)題^[30]，深度學(xué)習(xí)算法可實(shí)現(xiàn)對(duì)行為數(shù)據(jù)的自動(dòng)標(biāo)記，并能從數(shù)據(jù)集中提取大量的預(yù)測(cè)因子，從而節(jié)約人力物力。

5 ?機(jī)器學(xué)習(xí)預(yù)測(cè)腦卒中恢復(fù)期病人的日常生活活動(dòng)能力

中低收入國(guó)家腦卒中的病死率和死亡率較高，可能與經(jīng)濟(jì)負(fù)擔(dān)過(guò)重、家庭主要照顧者對(duì)疾病康復(fù)維護(hù)、監(jiān)測(cè)和管理欠缺有關(guān)^[31]。約75%的腦卒中幸存者伴有不同程度的運(yùn)動(dòng)功能障礙甚至是終身殘疾^[32]，尤以行走障礙和肢端偏癱多見(jiàn)，日常生活活動(dòng)難以獨(dú)立完成，導(dǎo)致生活質(zhì)量下降及負(fù)性情緒的產(chǎn)生。因此，國(guó)內(nèi)外學(xué)者陸續(xù)提出針對(duì)腦卒中恢復(fù)期的重要技術(shù)進(jìn)展，包括多模塊康復(fù)護(hù)理模式、遠(yuǎn)程康復(fù)、虛擬和增強(qiáng)現(xiàn)實(shí)、可穿戴傳感器和智能手機(jī)應(yīng)用等，旨在運(yùn)用多學(xué)科康復(fù)管理方案改善恢復(fù)期腦卒中病人的日常生活活動(dòng)能力和獨(dú)立性方面的結(jié)局。腦卒中病人出院后肢體功能仍需持續(xù)監(jiān)測(cè)和康復(fù)訓(xùn)練，且病人要重返家庭和社會(huì)，必須最大限度地提高日常生活活動(dòng)能力，機(jī)器學(xué)習(xí)的方法能精準(zhǔn)識(shí)別腦卒中病人恢復(fù)期肢體運(yùn)動(dòng)功能的情況。

Thakkar等^[13]對(duì)慢性腦卒中病人進(jìn)行過(guò)約束誘導(dǎo)運(yùn)動(dòng)療法、雙側(cè)手臂訓(xùn)練、機(jī)器人輔助療法和鏡像治療的康復(fù)訓(xùn)練，依據(jù)3個(gè)主要預(yù)測(cè)因子即腦卒中后時(shí)間、FIM和FMA評(píng)分進(jìn)行訓(xùn)練、測(cè)試驗(yàn)證，構(gòu)建使用KNN和ANN模型預(yù)測(cè)腦卒中恢復(fù)期病人運(yùn)動(dòng)功能改善情況，KNN模型的正確率和AUC值分別為85.42%、0.89，ANN模型的預(yù)測(cè)精度和AUC值為81.25%、0.77。Chen等^[33]使用可穿戴傳感器系統(tǒng)識(shí)別人類(lèi)活動(dòng)，基于決策樹(shù)、RF、SVM和XGBoost算法建立預(yù)測(cè)模型，預(yù)測(cè)社區(qū)腦卒中病人日常生活活動(dòng)能力的肢體活動(dòng)度，結(jié)果表明，4種模型都有較好的預(yù)測(cè)效果，橫向?qū)Ρ劝l(fā)現(xiàn)XGBoost模型的效果優(yōu)于其他3種模型，機(jī)器學(xué)習(xí)方法預(yù)測(cè)病人日常生活活動(dòng)能力的準(zhǔn)確率達(dá)到82%。Chen等^[34]同樣使用了4種機(jī)器學(xué)習(xí)算法（LR、KNN、SVM和RF）建立分類(lèi)預(yù)測(cè)模型，在18個(gè)預(yù)測(cè)因子中選擇了上肢運(yùn)動(dòng)功能、人口統(tǒng)計(jì)學(xué)和腦卒中特征作為最重要預(yù)測(cè)內(nèi)容，結(jié)果表明，對(duì)于18個(gè)預(yù)測(cè)因子，SVM和RF算法的性能較好精度和AUC值分別為0.76，0.83；對(duì)于4個(gè)預(yù)測(cè)因子，RF算法在性能上最佳精度和AUC值分別為0.76，0.87。該研究不僅證明了使用機(jī)器學(xué)習(xí)預(yù)測(cè)腦卒中后日常生活活動(dòng)能力恢復(fù)情況的可行性，且對(duì)于改善腦卒中恢復(fù)期病人肢體功能活動(dòng)度是有效的，減少了病人再入院的發(fā)生率。Yang等^[35]首次將機(jī)器學(xué)習(xí)預(yù)測(cè)模型運(yùn)用于多模態(tài)MRI下腦卒中后運(yùn)動(dòng)功能變化的數(shù)據(jù)處理，利用機(jī)器學(xué)習(xí)的方法可以很好地識(shí)別神經(jīng)圖像多種變量的特征，由于樣本量有限，無(wú)法驗(yàn)證預(yù)測(cè)模型性能，可能會(huì)導(dǎo)致數(shù)據(jù)過(guò)度耦合。除此之外，Tozlu等^[36]將102例受試者的人口統(tǒng)計(jì)學(xué)、臨床評(píng)估、神經(jīng)生理學(xué)勾連影像學(xué)作為預(yù)測(cè)因素形成的數(shù)據(jù)集，利用機(jī)器學(xué)習(xí)方法自動(dòng)化比較大量低維和高維數(shù)據(jù)集的結(jié)果，RF和ANN算法在分類(lèi)慢性腦卒中病人干預(yù)后上肢運(yùn)動(dòng)功能顯著變化的病人時(shí)表現(xiàn)出良好靈敏度，對(duì)于數(shù)據(jù)集包括成對(duì)的不連貫信息，SVM算法顯示出極佳的特異性。Kim等^[37]采取DNN算法建立偏癱腦卒中病人上肢和下肢運(yùn)動(dòng)能力預(yù)測(cè)模型，結(jié)論顯示，DNN模型在預(yù)測(cè)上肢功能方面，AUC值為0.906；預(yù)測(cè)下肢功能時(shí)，AUC值為0.822，預(yù)測(cè)準(zhǔn)確率均比LR和RF算法高，且DNN算法在預(yù)測(cè)病人上肢活動(dòng)能力時(shí)表現(xiàn)更佳，減輕了醫(yī)護(hù)人員的工作量，也影響了評(píng)估結(jié)果的準(zhǔn)確性。

以上研究結(jié)果表明，在評(píng)價(jià)恢復(fù)期腦卒中病人日常生活活動(dòng)能力時(shí)，借助機(jī)器學(xué)習(xí)的方法可預(yù)測(cè)復(fù)雜的日常活動(dòng)任務(wù)從而評(píng)價(jià)病人肢體神經(jīng)功能恢復(fù)情況，由于恢復(fù)階段病人的活動(dòng)能力呈現(xiàn)復(fù)雜、動(dòng)態(tài)和多因素的特性，是導(dǎo)致家庭照顧者賦權(quán)能力水平不高的因素之一^[38]。采取多種機(jī)器學(xué)習(xí)的算法對(duì)腦卒中恢復(fù)期殘余功能的不同變量進(jìn)行預(yù)測(cè)，如探究腦卒中后影響病人日常生活活動(dòng)能力的危險(xiǎn)因素時(shí)可考慮采用RF算法應(yīng)用為主，使用決策樹(shù)進(jìn)行分析，但需注意避免模型過(guò)耦合的情況；對(duì)于腦卒中影像分析研究中，以SVM、DNN算法等為主，其中針對(duì)小量數(shù)據(jù)集可采用SVM、RF和聚類(lèi)算法，而對(duì)于海量數(shù)據(jù)則使用ANN或深度學(xué)習(xí)算法。采取多種機(jī)器學(xué)習(xí)算法不僅能發(fā)現(xiàn)影響功能康復(fù)的主要決定因素及其對(duì)其他活動(dòng)的損傷，為開(kāi)展治療干預(yù)措施提供機(jī)會(huì)，從而提高病人的生存壽命和照顧者照護(hù)的有效性，且可以在這個(gè)過(guò)程中比較出最精確的算法，為后期進(jìn)一步的研究提供了導(dǎo)向作用。

6 ?局限性

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)中回歸功能的一個(gè)分支，在生物醫(yī)學(xué)圖像分析中其有效性已被證實(shí)，如組織、解剖、病變圖像數(shù)據(jù)的收集、分析、疾病發(fā)展預(yù)測(cè)等^[39]。研究表明，在許多計(jì)算機(jī)輔助診斷應(yīng)用系統(tǒng)中，深度學(xué)習(xí)比傳統(tǒng)的機(jī)器學(xué)習(xí)方法在預(yù)測(cè)性能上更準(zhǔn)確和穩(wěn)健^[40]。然而，DNN預(yù)測(cè)模型也存在一定缺點(diǎn)，如計(jì)算量較大、設(shè)計(jì)復(fù)雜及硬件成本較高，在基層推廣仍需進(jìn)一步研究，以便在各種實(shí)踐環(huán)境下更廣泛地使用。此外，在選擇算法時(shí)應(yīng)考慮預(yù)測(cè)模型的可解釋性，如ANN的“黑盒”效應(yīng)，經(jīng)濟(jì)成本較高的DNN模型。但因目前ANN和DNN算法的準(zhǔn)確性相對(duì)較高，未來(lái)研究可進(jìn)一步改善不足以提供最佳適用模型。除了機(jī)器學(xué)習(xí)的分類(lèi)功能在分析更復(fù)雜的特征數(shù)據(jù)時(shí)存在困難外，在數(shù)據(jù)特征處理中，往往需要花費(fèi)大量時(shí)間進(jìn)行特征的標(biāo)注，降低預(yù)測(cè)結(jié)果準(zhǔn)確率^[41]。而基于機(jī)器學(xué)習(xí)最大的缺點(diǎn)是無(wú)法有效地從圖像中抽取圖像的特征信息，這是目前一些分析影像結(jié)果的研究中存在無(wú)反應(yīng)的主要原因。

下一步的研究需要大樣本、多中心的臨床試驗(yàn)研究進(jìn)一步探討機(jī)器學(xué)習(xí)在預(yù)測(cè)腦卒中病人日常生活活動(dòng)能力中的應(yīng)用效果?；谘C醫(yī)學(xué)的方法學(xué)評(píng)價(jià)在提高機(jī)器學(xué)習(xí)模型制作過(guò)程的規(guī)范性和證據(jù)質(zhì)量上對(duì)于機(jī)器學(xué)習(xí)預(yù)測(cè)腦卒中病人神經(jīng)功能的改善至關(guān)重要^[42?43]，可以此深入了解機(jī)器學(xué)習(xí)預(yù)測(cè)的作用機(jī)制。隨著互聯(lián)網(wǎng)大數(shù)據(jù)平臺(tái)的不斷推廣及科學(xué)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)的作用機(jī)制更透明化以及臨床應(yīng)用研究將會(huì)逐漸完善，機(jī)器學(xué)習(xí)也將成為腦卒中后日?；顒?dòng)功能障礙病人新的治療輔助手段。

7 ?小結(jié)

隨著醫(yī)療信息技術(shù)的飛速發(fā)展，腦卒中后病人的康復(fù)結(jié)局也進(jìn)入大數(shù)據(jù)時(shí)代，面對(duì)數(shù)量龐大、形態(tài)復(fù)雜的數(shù)據(jù)，傳統(tǒng)方法已不能對(duì)此類(lèi)數(shù)據(jù)進(jìn)行有效的收集、存儲(chǔ)和分析，機(jī)器學(xué)習(xí)則為其提供了新的研究方向。目前，機(jī)器學(xué)習(xí)在預(yù)測(cè)腦卒中后病人的日常生活活動(dòng)能力中取得了一定的進(jìn)展和成效，如基于機(jī)器學(xué)習(xí)預(yù)測(cè)腦卒中后病人肢體活動(dòng)度并自動(dòng)進(jìn)行分級(jí)、構(gòu)建影響腦卒中病人活動(dòng)能力恢復(fù)的預(yù)測(cè)模型等方面的研究，不僅提高了對(duì)病人肢體功能鍛煉的有效性和精準(zhǔn)性，還為信息化管理奠定了堅(jiān)實(shí)基礎(chǔ)，使腦卒中后的康復(fù)鍛煉更科學(xué)化、客觀化和便捷化。因機(jī)器學(xué)習(xí)對(duì)輸入數(shù)據(jù)量的限制，如何建立起既可以容納數(shù)量龐大、形態(tài)復(fù)雜和跨域關(guān)聯(lián)的數(shù)據(jù)庫(kù)，還具備自動(dòng)化擴(kuò)充以不斷地容納更新數(shù)據(jù)的能力，如何改善醫(yī)療資源的配置和提高數(shù)據(jù)挖掘的準(zhǔn)確性、提高醫(yī)務(wù)人員的預(yù)測(cè)效率、實(shí)現(xiàn)智慧醫(yī)療有待進(jìn)一步的探索。

參考文獻(xiàn)：

[1] ?王擁軍，李子孝，谷鴻秋，等.中國(guó)卒中報(bào)告2020（中文版）（1）[J].中國(guó)卒中雜志，2022，17（5）：433-447.

[2] ?王隴德，彭斌，張鴻祺，等.《中國(guó)腦卒中防治報(bào)告2020》概要[J].中國(guó)腦血管病雜志，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] ?吳宗友，白昆龍，楊林蕊，等.電子病歷文本挖掘研究綜述[J].計(jì)算機(jī)研究與發(fā)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] ?徐洪學(xué)，孫萬(wàn)有，杜英魁，等.機(jī)器學(xué)習(xí)經(jīng)典算法及其應(yīng)用研究綜述[J].電腦知識(shí)與技術(shù)，2020，16（33）：17-19.

[7] ?廖華龍，曾小茜，李華鳳，等.機(jī)器學(xué)習(xí)在疾病預(yù)測(cè)中的應(yīng)用[J].生物醫(yī)學(xué)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.中國(guó)腦血管病后三級(jí)康復(fù)治療的研究[J].中國(guó)臨床康復(fù)，2002，6（7）：935-937.

[10] ?周靜，劉芳，周明超，等.一種新型日常生活活動(dòng)能力量表與Barthel指數(shù)-5項(xiàng)在康復(fù)科中應(yīng)用的特征比較[J].中國(guó)康復(fù)醫(yī)學(xué)雜志，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] ?吳菊華，張爍，陶雷，等.基于神經(jīng)網(wǎng)絡(luò)的腦卒中風(fēng)險(xiǎn)預(yù)測(cè)模型研究[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2019，3（12）：70-75.

[15] ?譚英，耿德勤，黃水平.用人工神經(jīng)網(wǎng)絡(luò)建立缺血性腦卒中復(fù)發(fā)的預(yù)測(cè)模型[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，2013，30（5）：687-689.

[16] ?黃曉霞，嚴(yán)玉潔，尉敏琦，等.Logistic回歸、決策樹(shù)和神經(jīng)網(wǎng)絡(luò)在腦卒中高危篩查中的性能比較[J].中國(guó)慢性病預(yù)防與控制，2016，24（6）：412-415.

[17] ?楊劍鋒，喬佩蕊，李永梅，等.機(jī)器學(xué)習(xí)分類(lèi)問(wèn)題及算法研究綜述[J].統(tǒng)計(jì)與決策，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] ?武勝勇，何倩，郭軼斌，等.機(jī)器學(xué)習(xí)算法在腦卒中診治中的應(yīng)用現(xiàn)狀及展望[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，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] ?張麗娜，李國(guó)春，周學(xué)平，等.基于支持向量機(jī)的急性出血性腦卒中早期預(yù)后模型的建立與評(píng)價(jià)[J].南京醫(yī)科大學(xué)學(xué)報(bào)（自然科學(xué)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] ?中華醫(yī)學(xué)會(huì)神經(jīng)病學(xué)分會(huì)，中華醫(yī)學(xué)會(huì)神經(jīng)病學(xué)分會(huì)神經(jīng)康復(fù)學(xué)組，中華醫(yī)學(xué)會(huì)神經(jīng)病學(xué)分會(huì)腦血管病學(xué)組.中國(guó)腦卒中早期康復(fù)治療指南[J].中華神經(jīng)科雜志，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，F(xiàn)ERRIERO 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，陳康娜，徐素梅.2 503例腦卒中病人住院費(fèi)用分析[J].中西醫(yī)結(jié)合心血管病電子雜志，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] ?張麗杰.他汀類(lèi)藥物在腦卒中治療中的應(yīng)用效果觀察[J].基層醫(yī)學(xué)論壇，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，彭剛藝，應(yīng)文娟，等.老年腦梗死病人社會(huì)化住院現(xiàn)狀及影響因素分析[J].中華護(hù)理雜志，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] ?郭瓊，馮堃，龍囿霖，等.創(chuàng)新醫(yī)療器械臨床研究方法學(xué)框架解讀[J].中國(guó)胸心血管外科臨床雜志，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）

（本文編輯?蘇琳）