《Journal of Inflammation Research》：Development of the Neutrophil-to-Platelet Ratio (NPR) Integrated with Machine Learning for Predicting Early Mortality After Mechanical Thrombectomy in Acute Ischemic Stroke
编辑推荐：
本研究创新性地将标准化中性粒细胞-血小板比值（NPR_std）与机器学习相结合，构建了可预测大动脉闭塞性急性缺血性卒中（LAO-AIS）患者机械取栓（MT）后90天内死亡风险的预测模型。通过Boruta特征筛选和多元回归分析，确定了NPR_std、年龄、去骨瓣减压术（DC）、责任动脉、淋巴细胞计数（LYM）和凝血酶原时间（PT）六大独立预测因子，并开发了临床实用的列线图。XGBoost模型展现出最优预测性能（AUC=0.86），SHAP分析进一步验证NPR_std为核心预测指标，为早期识别高危患者、调整治疗策略提供了重要工具。
研究背景与意义
卒中是全球第二大死亡原因，预计到2050年将成为第二大残疾调整生命年（DALYs）负担疾病。其中，大动脉闭塞（LAO）导致的急性缺血性卒中（AIS）占30%–40%，与90天高死亡率密切相关。机械取栓（MT）虽是LAO-AIS的标准疗法，但再灌注损伤和恶性脑水肿等并发症仍导致术后死亡率居高不下，尤其在医疗资源不均的低中等收入国家（LMICs）。神经炎症是卒中后核心病理环节，中性粒细胞作为血栓炎症级联的关键介质，与血小板相互作用放大炎症反应，加剧继发性脑损伤。中性粒细胞-血小板比值（NPR）可反映全身炎症状态，但其在MT后预后预测中的价值尚未明确。
研究方法与数据
本研究回顾性纳入2023年1月至2025年1月期间320例接受MT的LAO-AIS患者，早期死亡（出院或90天内）67例。通过多重插补处理缺失数据（<15%），采用Boruta算法筛选特征，并构建逻辑回归模型和四种机器学习模型（决策树-DT、XGBoost、支持向量机-SVM、朴素贝叶斯-NB）。数据集按7:3随机分为训练集与测试集。
关键发现
多元回归分析识别出六大独立预测因子：
- •
NPR_std（OR=4.51, P<0.001）：每增加1单位，死亡风险升高3.51倍；
- •
年龄（OR=1.10, P<0.001）：每增加1岁，风险增加10%；
- •
去骨瓣减压术（DC）（OR=0.19, P<0.001）：保护性因素，降低80%死亡风险；
- •
责任动脉（前循环vs.后循环，OR=0.34, P=0.006）：前循环风险更低；
- •
淋巴细胞计数（LYM）（OR=2.14, P=0.008）：与死亡风险正相关；
- •
凝血酶原时间（PT）（OR=1.31, P=0.011）：每延长1秒，风险增加31%。
模型性能与验证
逻辑回归模型在训练集和测试集的AUC分别为0.926和0.853，校准曲线显示预测值与观测值高度一致。机器学习模型中，XGBoost综合表现最优（测试集AUC=0.86），SHAP分析明确NPR_std为最重要预测因子。列线图整合六项指标，可直观计算个体死亡风险。
机制探讨与临床意义
NPR升高反映中性粒细胞活化与血小板消耗的恶性循环，通过血栓炎症途径（如中性粒细胞胞外诱捕网-NETs形成、炎症因子释放）加剧血脑屏障破坏和脑水肿。本研究首次将标准化NPR与机器学习结合，突破传统指标（如NLR、PLR）的局限性，直接捕捉中性粒细胞-血小板交互作用。提出的临床工作流支持入院快速风险评估，助力高危患者早期强化监护及个体化干预。
局限与展望
单中心回顾性设计可能限制外推性，未纳入取栓次数、再通状态等操作变量。未来需多中心前瞻性研究验证，并探索动态NPR监测的预测价值。
结论
NPR是LAO-AIS患者MT后早期死亡的独立预测因子。基于NPR_std的机器学习模型及列线图为临床提供实用工具，有望通过早期风险分层优化治疗策略，改善预后。
