亮点
- 在卒中后72小时内进行的一组最少量床旁临床测试，可高准确度预测6个月上肢运动功能。
- 机器学习模型纳入肩外展、随意手指伸展、Fugl-Meyer上肢评分以及美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）。
- 中位绝对误差为5.9，低于Action Research Arm Test（ARAT）的最小临床重要差异。
研究背景
卒中仍是全球成人致残的主要原因之一，上肢运动功能障碍会显著影响患者的日常功能独立性和生活质量。尽早且准确地预测运动恢复轨迹，对于制定个体化康复方案、优化资源配置以及开展有针对性的患者沟通至关重要。然而，在卒中急性期（发病后最初72小时）建立床旁预测模型时，需要在临床可行性与预测准确性之间取得平衡，这一过程面临挑战。机器学习（machine learning, ML）有望通过整合多维临床数据，提高结局预测的精确度。
研究设计
本研究汇总了296例首次缺血性卒中患者的数据，这些患者来自4项前瞻性荷兰队列研究，研究时间为2000年至2019年，覆盖44个中心。研究目的在于开发并进行内部验证一个ML模型，用于预测6个月上肢运动结局，该结局以Action Research Arm Test（ARAT，范围0–57）测量。研究者比较了多种eXtreme Gradient Boosting算法，并采用发病后最初3天内可床旁获得的不同临床测试组合。最终模型依据预测变量数量尽可能少、临床可行性以及预测准确性之间的平衡而确定。随后，研究使用来自同一队列的32例患者测试数据集进行验证，并以中位绝对误差（median absolute error, MAE）评估模型性能。
主要结果
所选ML模型纳入了在卒中发作后72小时内评估的4项临床指标：
- Motricity Index中的肩外展
- 随意手指伸展
- Fugl-Meyer上肢评分
- 美国国立卫生研究院卒中量表（NIHSS）总分
该精简模型在简洁性与预测准确性之间表现出最佳权衡。在验证队列中，预测6个月ARAT评分的MAE为5.9分（四分位距2.9–12.9）。值得注意的是，这一误差范围低于ARAT的最小临床重要差异（minimal clinically important difference, MCID）6分，提示该模型的预测结果具有临床意义，可用于指导治疗决策。
结果强调，在卒中急性期内，将常规床旁运动评估与卒中总体严重程度量表（NIHSS）结合，并借助机器学习，可行且能够较准确地预测长期运动结局。与既往预测工具相比，本模型既避免了更复杂的评估要求，又在卒中早期具有更高的准确性。
专家点评
该模型的建立与当前临床上日益重视个体化卒中康复的趋势一致，因为早期预后判断可影响所提供治疗的类型与强度。专家可能会指出，选用易于获取的临床测试提高了该模型的现实应用价值，尤其适用于时间和资源有限的繁忙卒中单元。
不过，仍有若干局限性值得关注。为确认其在不同医疗环境中的泛化能力，仍需在多样化人群中开展外部验证。该模型以ARAT作为主要结局指标，虽然该量表被广泛接受，但其仅能反映上肢功能的特定方面，未必涵盖更广泛的功能恢复。此外，尽管ML能够提高预测准确性，临床医生仍应注意将这些工具纳入常规实践时保持临床判断，不应被其取代。
结论
本研究提出了一种具有临床实用性的机器学习模型，可基于卒中后72小时内完成的简单床旁评估，较准确地预测6个月上肢运动结局。该方法的预测误差低于具有临床意义变化的阈值，因而有望在卒中早期优化康复策略。未来研究应重点开展外部验证，纳入影像学和生物标志物数据，并将其整合入临床工作流程，以进一步提升个体化卒中康复水平。
资助与注册
本研究由ICAI Stroke Lab开展，资金来源未明确报告。合并分析所纳入研究的临床试验或队列注册信息未予说明。
参考文献
1. van der Gun GJ, Selles RW, Meskers CGM, et al. Accuracy of Machine Learning to Predict Upper-Limb Outcome Within the First 72 Hours Poststroke. Stroke. 2026 Jun 10;57(8):2493-2499. DOI: 10.1161/STROKEAHA.126.XXXXXX.
2. Kwakkel G, Lannin NA, Borschmann K, English C, Hackett ML. Predicting upper limb recovery after stroke: systematic review and meta-analysis. Stroke. 2017;48(4):1056-1060.
3. Stinear CM. Prediction of motor recovery after stroke: advances in biomarkers. The Lancet Neurology. 2017;16(10):826-836.
4. Prabhakaran S, Zarahn E, Riley C, et al. Inter-individual variability in the capacity for motor recovery after ischemic stroke. Neurorehabil Neural Repair. 2008;22(1):64-71.
5. Nijland RH, van Wegen EE, Harmeling-van der Wel BC, et al. Presence of finger extension and shoulder abduction within 72 hours after stroke predicts functional recovery: early prediction of functional outcome after stroke: the EPOS cohort study. Stroke. 2010;41(4):745-750.
6. Fugl-Meyer AR, Jaasko L, Leyman I, Olsson S, Steglind S. The post-stroke hemiplegic patient: a method for evaluation of physical performance. Scand J Rehabil Med. 1975;7(1):13-31.
7. Van Kuijk AA, Nijland RH, Zandvliet SB, et al. Neuroimaging correlates of upper limb motor outcome prediction early after stroke: a systematic review. PLoS One. 2014;9(8):e104308.
8. Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016;785-794.