目的 分析急性脑梗死后神经功能恢复的危险因素,并基于D-二聚体(D-D)、尿素氮(BUN)与白蛋白(ALB)比值(B/A)、单核细胞计数和高密度脂蛋白胆固醇比值(MHR)、脑小血管病(CSVD)影像负荷评分,采用机器学习算法构建风险预测模型。 方法 选取2022年5月~2025年9月在我院收治的218例急性脑梗死患者为对象,根据患者治疗7d后NIHSS评分变化情况将其分为恢复良好组(177例)和恢复不良组(41例)。收集患者一般临床资料、血清D-D、B/A、MHR及CSVD影像负荷评分。采用单因素和多因素分析急性脑梗死后神经功能恢复不良的相关因素,并基于筛选出的危险因素分别应用决策树、随机森林及合成少数类过采样技术(SMOTE)算法构建风险预测模型,比较不同机器学习模型对急性脑梗死后神经功能恢复不良的预测价值。 结果 恢复良好组与恢复不良组在年龄、基线NIHSS评分、D-D、B/A、MHR、CSVD影像负荷评分方面比较,差异均有统计学意义( P＜0.05)。Logistic回归分析筛选出D-D、基线NIHSS评分、B/A、MHR、CSVD影像负荷评分4个变量。模型预测效能比较显示,AUC值由高到低依次为随机森林模型、SMOTE模型、决策树模型。 结论 基于D-二聚体、基线NIHSS评分、BUN/Alb、MHR及CSVD负荷评分构建的风险预测模型,能够有效整合多个危险因素,对急性脑梗死后神经功能恢复不良具有良好的预测价值。