本文来源：沈惠文，林永忠，陈淑良，等 . 基于人工智能算法的脑卒中溶栓药物精准治疗：真实世界研究［J］. 中国全科医学，2023，26（17）：2070-2077，2088. 

“人与技术的关系”这一终极命题从未消失。事实上，人工智能已经存在于我们生活中许久。但对很多人来讲，人工智能还是一个较为“高深”的技术，然而再高深的技术也是思维的结果。本期深入介绍如何基于人工智能算法实现脑卒中患者个体化的溶栓药物精准治疗。

缺血性脑卒中治疗背景 

脑卒中对全球经济影响巨大，据统计，每年由脑卒中带来直接和间接经济损失高达4550万美元，预估直接医疗费用高达2800万美元。现认为静脉溶栓是最主要的恢复缺血性脑卒中患者血管血流循环的方式，常使用的静脉溶栓药物主要有阿替普酶和尿激酶，而患者自身情况各异，且治疗方式、给药种类、给药剂量、给药方式均会影响患者的溶栓效果。

人工智能算法Wide&Deep模型 

Wide&Deep 模型核心是将深度神经网络具备的泛化性和线性模型的记忆性能相结合，从而能够较大程度提升模型的预测性能，同时解决“记忆”和“泛化”的问题（见图1）。“记忆”是指在面对大量离散稀疏的特征时，将特征进行非线性转换，使其具有可解释程度强等优点。但随模型复杂程度增加，记忆能力增强，模型易出现过拟合的情况。而“泛化”恰好能缓解该类问题，即将高维度向量转换到低维度空间中，需要较少的工作量。

试验方案  

采用回顾性研究方式，从大连医科大学附属第二医院医渡云科研大数据服务器系统提取确诊为缺血性脑卒中的患者（n=55621）的临床信息，时间为2001-01-01至2021-12-31。依据纳入标准筛选后，最终共纳入缺血性脑卒中患者1855例，其中神经功能改善组患者1236例（NIHSS评分差值≥4分），对照组619例（NIHSS评分差值<4分，n=619）。建立缺血性脑卒中患者从患者一般特征、药物治疗方式到恢复效果的人工智能算法模型（Logistic 回归模型、支持向量机（SVM）、C5.0 决策树、分类回归树（CART）、深度神经网络（DNN）及 Wide&Deep 模型），实现患者的个体化溶栓药物精准治疗（见图2）。

试验结果 

针对考察范围内不同影响因素进行单因素筛选，再利用主成分分析法对影响因素做降维处理（26个溶栓效果影响因素）。比较不同模型的预测性能，最终得出Wide&Deep模型为最佳算法，隐含层层数为7层，每层神经元个数为15个，以Sigmoid 作为激活函数,模型参数最优。应用特征工程构建简化模型，得到影响因素重要性排序由大到小分别为：是否有脑血管病史>用药种类>给药方式>单次剂量>动脉粥样硬化>溶栓时间窗>是否使用抗凝药物和活血化瘀药物等（见表1），Wide&Deep 模型准确度为0.819，外部验证模型准确度为0.801，表示模型具有良好的预测性能及泛化能力。

小结  

伴随大数据与人工智能产业的不断升温，人工智能技术已逐渐渗透人们的日常生活。在医疗卫生领域，人工智能正进一步拓宽其发展空间及应用前景，助推医疗事业正向发展。本研究基于人工智能算法，针对不同溶栓时间窗、患者NIHSS评分、血糖水平等给出临床用药种类的推荐方案，且构建的人工智能模型在新患者进入后，其可结合患者自身情况给出治疗时用药种类（阿替普酶和尿激酶）、单次剂量及给药方式（使用泵或静脉滴注）等，期望可为临床医生提供及时和有效的药物溶栓治疗方案支持，更好地提高患者治疗效果，实现对缺血性脑卒中患者的个体化精准治疗，对减轻疾病社会负担具有积极意义。