機器學習預測腦卒中病人日常生活活動能力的研究進展

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??對機器學習的應用基礎、機器學習預測康復期及恢復期腦卒中病人生活活動能力、機器學習預測腦卒中病人日常生活活動能力中的應用局限性進行綜述，旨在為推動腦卒中病人肢體功能康復的信息化管理提供參考。

關鍵詞??腦卒中；機器學習；日常生活活動能力；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。我國腦卒中篩查數據顯示，城市和農村居民的腦血管病的發病率分別為203.6/10萬和298.2/10萬，死亡率分別為128.88/10萬和160.19/10萬^[1]。隨著人口老齡化和城市化進程加速，發生腦卒中的危險因素仍在逐年增長，給社會帶來沉重的負擔。腦卒中發病率呈年輕化趨勢^[2]，為了提高臨床對腦卒中的識別和診斷的能力，減少疾病的致殘率和復發率，應對腦卒中的發病危險因素進行篩查，對腦卒中后病人的肢體運動功能達到準確的評估，做到早發現、早預防、早診斷、早治療。近年來，國內外學者在信息化管理的背景下，通過機器學習的方式對腦卒中病人日常生活活動能力進行預測，從而達到快速、精準判斷腦卒中后肢體功能活動程度的目的^[3]。近年來，機器學習在計算機和數據分析的背景下迅速發展，在醫療衛生事業發揮了極大的作用，利用機器學習的方法不僅可以提高病人的康復水平，還能為臨床醫護人員進行決策時提供便利。機器學習能夠通過計算機模擬學習將大量非結構化數據集派生的數據規則進行預測，廣泛應用于腦血管疾病的診斷、分類、圖像分析和風險預測。

1 ?機器學習的應用基礎

隨著醫療信息系統的現代化，傳統病歷被電子病歷（electronic medical record，EMR）所取代，包含了結構化、半結構化和非結構化的數據資料，腦卒中病人活動能力包含大量非結構數據，如病人個人信息、護理記錄等在內的圖像和文本數據^[4]。EMR作為無紙化的病歷可以完整和準確地反映病人長期就診過程，便于醫護人員可隨時查閱和全面管理有關病人的各種信息資料，但其會產生數量龐大、形態復雜的數據，傳統方法難以對其進行有效的收集、管理和分析，嚴重限制了信息化管理的發展。機器學習于1959年由Samuel^[5]首次提出，在人工智能的學術領域界被稱為“機器學習的先驅”，其在數據的數量和類型的積累上是推動存儲技術和分析技術創新的驅動力^[6]。機器學習的預測分析過程是通過特征處理、數據處理、建立模型3個部分，根據需要處理的數據是否存在人為標注分為監督學習、無監督學習和半監督學習，機器學習算法包括K近鄰（KNN）、樸素貝葉斯（NB）、邏輯回歸（LR）、支持向量機（SVM）、隨機森林（RF）、人工神經網絡（ANN）^[7]。根據不同的應用場景，選擇合適的算法，預測腦卒中病人的日常生活活動能力屬于監督學習的方法，機器學習的分類和算法都具有各自的特長和不足。深度學習是機器學習進階發展史上具有里程碑意義的一種算法，成了目前機器學習的研究熱點，憑借其強大的自動化檢測誤差過程中提取數據特征進行模擬學習的能力和先進的算法應用于腦卒中預后的各個方面^[8]。深度神經網絡（DNN）是深度學習最核心的部分，通過DNN分層方式學習數據的輸出，從而達到模擬人腦對數據庫進行信息提取。但深度學習對計算機的運算能力要求較高，模型的設計構造復雜，適用性相對較差，未來深度學習算法的運用挖掘將為實現腦卒中病人肢體運動功能智能化預測提供發展依據。

2 ?機器學習預測腦卒中病人日常生活活動能力的優勢

《中國腦卒中康復治療指南（2011完整版）》根據急性腦血管病三級康復網絡的研究將腦卒中后的康復階段分3期^[9]，當腦卒中發生處于早期階段時，雖然積極的藥物治療和個體化功能康復鍛煉可以防止活動能力發生進一步的障礙，但我國大部分病人在病情穩定時選擇出院回家休養，影響肢體功能康復效果不佳甚至是進一步的功能障礙。當病人肢體功能康復處于2級或3級，特別是病人還伴隨其他基礎疾病時，會導致康復的時間延長甚至是預后不良。目前臨床針對腦卒中后肢體功能采用量表的方式進行評估，量表檢查法作為評價活動能力的方式是臨床及科研工作的立足點，評估結果可以直觀地反映病人的肢體功能狀況，但通過量表評價的方式也存在無法忽視的缺陷。日常生活活動能力評分（MBI）和功能獨立性評定量表（FIM）的測試內容較全面，但MBI缺少社會參與類項目，不能直接反映病人的自理能力，且存在評估內容單一的問題，需要增加對心理、社會參與等方面能力的描述；FIM評分對評估者的職業素質有很高的要求，難以在社區、居家康復中得到廣泛使用；工具性日常生活行為量表（IADL）和疲勞評定量表（FAI）可操作性和病人接受度都較高，不足在于均來自國外，對于國內人群的適用性有待檢驗且預測結果的準確性可能較差；龍氏日常生活活動能力量表使用圖表方式對病人的日常生活活動能力進行評估，內容直觀便于病人理解，但臨床應用存在“天花板”和“地板效應”^[10]，難以反映病人實際的功能變化。隨著康復技術不斷地與人工智能領域融合，利用機器學習的算法研發了日常生活活動能力的分類、肢體功能和風險因素預測系統等技術，實現對日常生活活動能力非結構性數據進行分析，可以準確、高效地對日常生活活動能力進行評估和監測。與以往依賴臨床護理人員進行主觀評估的方法相比，基于機器學習的預測方法具有客觀、自動、便捷等優點，在預測腦卒中病人日常生活活動能力時，可以提醒醫護人員提前干預，從而降低康復期肢體功能殘障的發生率，幫助護理人員更加客觀、高效地評估腦卒中病人肢體活動功能情況和依賴程度。

腦卒中病人日?；顒幽芰χ饕u價肢體活動評估的準確性、特異性和精確性。最佳的評估系統應具備以下條件：1）能夠克服圖像數據收集時不同的特征類型、范圍和動態活動對肢體功能測量和分析結果的影響；2）能識別并進行分割每項日?；顒又g的聯系與區別；3）能夠對日?；顒舆M行有效的測量，包括類型、所占百分比、風險因素；4）能夠將自動捕捉到的數據用于預測肢體功能最佳愈合度和構建腦卒中病人日常生活活動能力的臨床預測模型。

3 ?機器學習預測腦卒中病人日常生活活動能力的方法

通過文獻檢索可知，早在2005年機器學習的預測方法就在腦卒中的研究中有所應用^[11]，最初多用于解決回歸問題。機器學習的方法是經過對病人的EMR數據進行預處理和自然語言處理后提取腦卒中病人日常生活活動能力的臨床變量，不同的機器學習算法在預測機制和預測精準度上也會有所區別。本研究主要列舉機器學習中較為常用及經典算法在預測腦卒中病人日常生活活動能力中的特性。1）ANN算法：可以對腦卒中病人日常生活活動能力的內容進行識別和分類，如穿衣、洗漱、進食等動作特征，ANN將每個節點上的激活函數輸入的節點進行轉換，這些激活函數會根據輸入特征自動進行區分使用線性或非線性的方式，繼而從上一節點的數據以最新數據輸出給下一節點，能夠有效克服傳統統計方法的某些局限性^?[12]。ANN的特征是借助大規模的標注數據，自動化反復地訓練節點和隱含層中非線性的關系來調整算法。Thakkar等^[13]開發了ANN算法針對慢性腦卒中病人運動功能恢復的預測模型，將數據隨機化分配到訓練集（開發模型）和測試集（最終檢驗）并使用交叉驗證過程保證所有數據都經過訓練集和測試集，模型建立后，使用標準性能指標評估ANN模型的性能，準確率為?81.25%，精密度為0.80，召回率為?0.81，特異度為?0.49，陽性預測值（PPV）為0.80。國內ANN算法應用于腦卒中危險因素預測模型的準確率為97.10%^[14]，缺血性腦卒中病人復發的預測模型正確率為84.6%^[15]，腦卒中致病高危因素篩查中的準確度為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果概率之間的關系，使用S形曲線估計一個分類因變量和一個或多個自變量之間概率的LR關系^[17]。Lin等^[18]使用多變量LR算法預測腦卒中后病人的日常生活活動能力，通過交叉驗證評估模型性能，以確保最小化偏差，平均絕對誤差（MAE）被用作評估LR預測模型準確性，病人出院時實際自理能力評分的MAE為9.95，肢體功能康復變化百分比為61.36%。3）SVM算法：根據數據特性分線性和非線性，腦卒中病人日常生活活動能力的內容屬于線性且不可分離，SVM利用核心函數將收集到的數據映射到一個高維空間中，并在此基礎上找到最佳的分類器^[19]。SVM算法的優勢是以少量的數據集為基礎，能有效地對納入數據進行篩選。相比傳統測量方法，SVM算法更簡單，且能有效地規避過耦合的傾向，還可在訓練集中篩選樣本，從而捕捉到研究對象的主要特點^[20]。張麗娜等^[21]建立了SVM預測模型對急性出血性腦卒中病人的活動能力進行了預測，與LR算法進行對比，SVM算法在靈敏度、特異度、準確度等方面有明顯的優勢。Suzuki等^[22]使用非線性SVM算法收集腦卒中病人自理活動中獨立性和依賴性的自舉握力數據集，將這些數據集隨機分配到訓練集和測試集并進行10次交叉驗證，結果顯示，SVM算法在預測病人進食、梳洗、穿脫上衣、穿脫褲子、沐浴的準確率分別是71%、77%、75%、72%、68%。SVM算法可更準確地預測病人自我護理活動中的獨立性或依賴性，為臨床醫務人員高效管理腦卒中病人肢體運動功能康復提供理論依據。

4 ?機器學習預測腦卒中康復期病人的日常生活活動能力

腦卒中屬于致殘率高的一類疾病，腦卒中早期康復指南指出，腦卒中后盡早實施功能鍛煉是經循證醫學證實的對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鍵環節，為Ⅰ級推薦^[23]。針對腦卒中后神經功能損傷的康復需求，國內外學者提出了超早期康復、Bobath技術、Brunnstrom技術、作業治療、運動再學習等康復評定技術，旨在促進腦卒中后康復期病人日常生活活動能力的恢復，充分利用醫療信息系統中的數據對康復期腦卒中病人實現個性化自動檢測及實時監測，不斷提高機器學習預測早期腦卒中病人日常生活活動能力的準確性。

Zhang等^[24]使用LR和決策樹模型確定影響早期腦卒中病人日常生活活動能力的關鍵因素是腦卒中的嚴重程度和住院時間，病人在肢體功能恢復、自理能力評分方面均有明顯的提高，表明在機器學習的背景下使用早期康復治療和持續康復治療對于改善腦卒中康復期病人的日常生活活動能力是有用的，可以縮短病人住院時間，提升生活質量。由于樣本量較小，試驗結果應謹慎解讀，未來的研究需擴大樣本量，以驗證該研究結果的可靠性。采取SVM算法對腦卒中病人入院后的血液檢查參數進行預測，發現腦卒中的發病類型并不是影響腦卒中后運動功能、認知功能減退的主要因素，在預測病人自理能力時，SVM算法有良好的響應率，平均絕對偏差百分比（MADP）為83.96%^[25]。Imura等^[26]在此基礎上選用機器學習開發的5種分類模型再次驗證了SVM模型分類準確率為82.6%，受試者工作特征曲線下面積（AUC）為0.91，靈敏度為94.4%，具有良好預測性能，證明了模型具有良好的泛化能力和外推性。Lin等^[18]通過LR算法篩選出年齡、性別和進入冠心病病房時的自理能力評分等作為預測因子，基于機器學習在15項康復評估內容下構建病人出院時自理能力評分的預測模型，結果顯示，所有機器學習分類模型在預測病人出院時自理能力評分均優于常規量表評估，LR和RF算法的AUC值為0.79，優于SVM算法（AUC值為0.77），綜合運用多種評估工具和機器學習算法，有助于提高腦卒中病人日常生活活動能力預測的準確性和全面性。

腦卒中發病后的半年內是肢體功能恢復的最佳階段，前3個月是康復的“黃金期”，但目前腦卒中病人的平均住院天數是10 d^[27]。機器學習算法能在短期內同時檢測到腦卒中病人的5種功能，并表現出更好的靈敏性和可靠性，可降低腦卒中后康復階段病人肢體活動功能缺如的概率。Lin等^[28]使用XGBoost算法根據病人入院時的自理能力評分、腦卒中姿勢評估量表（PASS）評分和腦卒中康復運動評估（STREAM）短期預測病人的日常生活活動能力、平衡、上肢和下肢功能以及運動功能，標準化反應均數（SRM）是檢查機器學習對5項活動功能預測的反應性，均達到了良好反應性的標準驗證數據集，最后用原始的3種量表對XGBoost算法進行驗證，機器學習的算法對病人的5項功能預測得分為124分，而原始量表評估得分為37分，XGBoost算法對5項活動功能的分數與原始測量具有相同的分數范圍，但得分更高。此項研究的優勢是當XGBoost算法接觸到大量數據時，會不斷完善自身以獲得更高的性能，打破數據范圍限制，提高了評估效率，為實施精準康復和以病人為中心的護理提供參考。藥物是治療腦卒中的基礎手段，貫穿于控制病情和預防復發的全過程^[29]，未來研究中應增加監測給藥時間。

以上研究結果表明，機器學習的方法可運用于早期腦卒中病人日常生活活動能力的識別、分類，有效提高了評估的精度和準確性，為下一步開展康復醫療計劃、標準化臨床護理管理路徑提供精確的數據保障，同時可對肢體神經功能正?；驌p傷情況進行鑒別分類，提高了對腦卒中后肢體活動功能的早期識別和診斷效率。然而，SVM屬于二分類算法，故無法同時處理多類別和訓練大規模數據集。近年來，深度學習的快速發展彌補了SVM算法的缺點和不足，將多分類問題轉換為多個單分類問題，將大規模數據轉換為微小的樣本集合。此外，選擇深度學習模型可憑借其數據增補技術有效地解決圖像樣本類型單一、活動圖像樣本匱乏等問題^[30]，深度學習算法可實現對行為數據的自動標記，并能從數據集中提取大量的預測因子，從而節約人力物力。

5 ?機器學習預測腦卒中恢復期病人的日常生活活動能力

中低收入國家腦卒中的病死率和死亡率較高，可能與經濟負擔過重、家庭主要照顧者對疾病康復維護、監測和管理欠缺有關^[31]。約75%的腦卒中幸存者伴有不同程度的運動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，日常生活活動難以獨立完成，導致生活質量下降及負性情緒的產生。因此，國內外學者陸續提出針對腦卒中恢復期的重要技術進展，包括多模塊康復護理模式、遠程康復、虛擬和增強現實、可穿戴傳感器和智能手機應用等，旨在運用多學科康復管理方案改善恢復期腦卒中病人的日常生活活動能力和獨立性方面的結局。腦卒中病人出院后肢體功能仍需持續監測和康復訓練，且病人要重返家庭和社會，必須最大限度地提高日常生活活動能力，機器學習的方法能精準識別腦卒中病人恢復期肢體運動功能的情況。

Thakkar等^[13]對慢性腦卒中病人進行過約束誘導運動療法、雙側手臂訓練、機器人輔助療法和鏡像治療的康復訓練，依據3個主要預測因子即腦卒中后時間、FIM和FMA評分進行訓練、測試驗證，構建使用KNN和ANN模型預測腦卒中恢復期病人運動功能改善情況，KNN模型的正確率和AUC值分別為85.42%、0.89，ANN模型的預測精度和AUC值為81.25%、0.77。Chen等^[33]使用可穿戴傳感器系統識別人類活動，基于決策樹、RF、SVM和XGBoost算法建立預測模型，預測社區腦卒中病人日常生活活動能力的肢體活動度，結果表明，4種模型都有較好的預測效果，橫向對比發現XGBoost模型的效果優于其他3種模型，機器學習方法預測病人日常生活活動能力的準確率達到82%。Chen等^[34]同樣使用了4種機器學習算法（LR、KNN、SVM和RF）建立分類預測模型，在18個預測因子中選擇了上肢運動功能、人口統計學和腦卒中特征作為最重要預測內容，結果表明，對于18個預測因子，SVM和RF算法的性能較好精度和AUC值分別為0.76，0.83；對于4個預測因子，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器學習預測腦卒中后日常生活活動能力恢復情況的可行性，且對于改善腦卒中恢復期病人肢體功能活動度是有效的，減少了病人再入院的發生率。Yang等^[35]首次將機器學習預測模型運用于多模態MRI下腦卒中后運動功能變化的數據處理，利用機器學習的方法可以很好地識別神經圖像多種變量的特征，由于樣本量有限，無法驗證預測模型性能，可能會導致數據過度耦合。除此之外，Tozlu等^[36]將102例受試者的人口統計學、臨床評估、神經生理學勾連影像學作為預測因素形成的數據集，利用機器學習方法自動化比較大量低維和高維數據集的結果，RF和ANN算法在分類慢性腦卒中病人干預后上肢運動功能顯著變化的病人時表現出良好靈敏度，對于數據集包括成對的不連貫信息，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動能力預測模型，結論顯示，DNN模型在預測上肢功能方面，AUC值為0.906；預測下肢功能時，AUC值為0.822，預測準確率均比LR和RF算法高，且DNN算法在預測病人上肢活動能力時表現更佳，減輕了醫護人員的工作量，也影響了評估結果的準確性。

以上研究結果表明，在評價恢復期腦卒中病人日常生活活動能力時，借助機器學習的方法可預測復雜的日?；顒尤蝿諒亩u價病人肢體神經功能恢復情況，由于恢復階段病人的活動能力呈現復雜、動態和多因素的特性，是導致家庭照顧者賦權能力水平不高的因素之一^[38]。采取多種機器學習的算法對腦卒中恢復期殘余功能的不同變量進行預測，如探究腦卒中后影響病人日常生活活動能力的危險因素時可考慮采用RF算法應用為主，使用決策樹進行分析，但需注意避免模型過耦合的情況；對于腦卒中影像分析研究中，以SVM、DNN算法等為主，其中針對小量數據集可采用SVM、RF和聚類算法，而對于海量數據則使用ANN或深度學習算法。采取多種機器學習算法不僅能發現影響功能康復的主要決定因素及其對其他活動的損傷，為開展治療干預措施提供機會，從而提高病人的生存壽命和照顧者照護的有效性，且可以在這個過程中比較出最精確的算法，為后期進一步的研究提供了導向作用。

6 ?局限性

深度學習作為機器學習中回歸功能的一個分支，在生物醫學圖像分析中其有效性已被證實，如組織、解剖、病變圖像數據的收集、分析、疾病發展預測等^[39]。研究表明，在許多計算機輔助診斷應用系統中，深度學習比傳統的機器學習方法在預測性能上更準確和穩健^[40]。然而，DNN預測模型也存在一定缺點，如計算量較大、設計復雜及硬件成本較高，在基層推廣仍需進一步研究，以便在各種實踐環境下更廣泛地使用。此外，在選擇算法時應考慮預測模型的可解釋性，如ANN的“黑盒”效應，經濟成本較高的DNN模型。但因目前ANN和DNN算法的準確性相對較高，未來研究可進一步改善不足以提供最佳適用模型。除了機器學習的分類功能在分析更復雜的特征數據時存在困難外，在數據特征處理中，往往需要花費大量時間進行特征的標注，降低預測結果準確率^[41]。而基于機器學習最大的缺點是無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果的研究中存在無反應的主要原因。

下一步的研究需要大樣本、多中心的臨床試驗研究進一步探討機器學習在預測腦卒中病人日常生活活動能力中的應用效果?；谘C醫學的方法學評價在提高機器學習模型制作過程的規范性和證據質量上對于機器學習預測腦卒中病人神經功能的改善至關重要^[42?43]，可以此深入了解機器學習預測的作用機制。隨著互聯網大數據平臺的不斷推廣及科學技術的發展，機器學習的作用機制更透明化以及臨床應用研究將會逐漸完善，機器學習也將成為腦卒中后日?；顒庸δ苷系K病人新的治療輔助手段。

7 ?小結

隨著醫療信息技術的飛速發展，腦卒中后病人的康復結局也進入大數據時代，面對數量龐大、形態復雜的數據，傳統方法已不能對此類數據進行有效的收集、存儲和分析，機器學習則為其提供了新的研究方向。目前，機器學習在預測腦卒中后病人的日常生活活動能力中取得了一定的進展和成效，如基于機器學習預測腦卒中后病人肢體活動度并自動進行分級、構建影響腦卒中病人活動能力恢復的預測模型等方面的研究，不僅提高了對病人肢體功能鍛煉的有效性和精準性，還為信息化管理奠定了堅實基礎，使腦卒中后的康復鍛煉更科學化、客觀化和便捷化。因機器學習對輸入數據量的限制，如何建立起既可以容納數量龐大、形態復雜和跨域關聯的數據庫，還具備自動化擴充以不斷地容納更新數據的能力，如何改善醫療資源的配置和提高數據挖掘的準確性、提高醫務人員的預測效率、實現智慧醫療有待進一步的探索。

參考文獻：

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

[2] ?王隴德，彭斌，張鴻祺，等.《中國腦卒中防治報告2020》概要[J].中國腦血管病雜志，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].計算機研究與發展，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，孫萬有，杜英魁，等.機器學習經典算法及其應用研究綜述[J].電腦知識與技術，2020，16（33）：17-19.

[7] ?廖華龍，曾小茜，李華鳳，等.機器學習在疾病預測中的應用[J].生物醫學工程研究，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.中國腦血管病后三級康復治療的研究[J].中國臨床康復，2002，6（7）：935-937.

[10] ?周靜，劉芳，周明超，等.一種新型日常生活活動能力量表與Barthel指數-5項在康復科中應用的特征比較[J].中國康復醫學雜志，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.基于神經網絡的腦卒中風險預測模型研究[J].數據分析與知識發現，2019，3（12）：70-75.

[15] ?譚英，耿德勤，黃水平.用人工神經網絡建立缺血性腦卒中復發的預測模型[J].中國衛生統計，2013，30（5）：687-689.

[16] ?黃曉霞，嚴玉潔，尉敏琦，等.Logistic回歸、決策樹和神經網絡在腦卒中高危篩查中的性能比較[J].中國慢性病預防與控制，2016，24（6）：412-415.

[17] ?楊劍鋒，喬佩蕊，李永梅，等.機器學習分類問題及算法研究綜述[J].統計與決策，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.機器學習算法在腦卒中診治中的應用現狀及展望[J].中國衛生統計，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，李國春，周學平，等.基于支持向量機的急性出血性腦卒中早期預后模型的建立與評價[J].南京醫科大學學報（自然科學版），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] ?中華醫學會神經病學分會，中華醫學會神經病學分會神經康復學組，中華醫學會神經病學分會腦血管病學組.中國腦卒中早期康復治療指南[J].中華神經科雜志，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，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，陳康娜，徐素梅.2 503例腦卒中病人住院費用分析[J].中西醫結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.他汀類藥物在腦卒中治療中的應用效果觀察[J].基層醫學論壇，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，應文娟，等.老年腦梗死病人社會化住院現狀及影響因素分析[J].中華護理雜志，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.創新醫療器械臨床研究方法學框架解讀[J].中國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）