编辑推荐：
本研究针对远端中血管闭塞（DMVO）性脑卒中治疗策略不确定的临床难题，开发并验证了一种名为DUSK工具的可解释反事实治疗估计模型。该工具通过弹性网络逻辑回归算法，整合美国国立卫生研究院卒中量表（NIHSS）评分、治疗延迟等关键临床变量，成功预测了血管内治疗（EVT）相较于单纯药物治疗（MM）为患者带来良好功能结局（改良Rankin量表[mRS]评分0-2分）的个体化概率。内部验证显示模型区分度良好（受试者工作特征曲线下面积[AUC]=0.77），外部验证进一步证实其泛化能力（AUC=0.74）。尽管队列研究显示两组总体结局无显著差异，但模型精准识别出EVT获益显著的亚组（如NIHSS≥8分者），为临床精准决策提供了重要依据。
研究背景与临床挑战
急性缺血性脑卒中（AIS）是全球范围内致残和致死的主要原因之一，其中远端和中血管闭塞（DMVO）约占病例的40%。这类闭塞涉及大脑中动脉M3/M4段、大脑前动脉A2/A3段或大脑后动脉P1/P2段等远端血管，虽然初始症状可能较轻，但若累及重要功能区仍可导致严重神经功能缺损。目前，针对大血管闭塞（LVO）的血管内治疗（EVT）已有充分循证医学证据，但DMVO的最佳治疗策略仍存争议。随机对照试验（RCT）和荟萃分析显示，EVT虽能实现较高再通率（约78%），却未显现出功能结局的显著优势，反而可能增加症状性颅内出血等风险。因此，开发能够量化个体治疗获益的决策工具成为临床迫切需求。
研究方法与模型构建
研究团队回顾性纳出来自7个卒中中心的321例孤立性DMVO患者（EVT组179例，MM组142例），所有患者基线改良Rankin量表（mRS）评分≤2分且具有90天功能结局数据。通过比较逻辑回归、决策树、支持向量机及XGBoost等算法后，最终选择兼具可解释性与多重共线性处理能力的弹性网络逻辑回归模型作为DUSK工具的核心引擎。为克服观察性数据中的治疗选择偏倚，研究采用逆概率处理加权法（IPTW）平衡组间协变量，并引入治疗与临床变量的交互项以捕捉治疗效应异质性。模型性能通过重复K折交叉验证和Bootstrap法进行内部验证，并在独立队列（n=86）中完成外部验证。
核心发现与模型验证
多变量调整模型显示，EVT与MM两组在良好功能结局（调整后比值比[aOR]=1.32，95%置信区间[CI]=0.97-1.80）、死亡率（aOR=1.20）及症状性出血（aOR=0.57）方面均无统计学显著差异。然而，DUSK工具成功识别出治疗效应异质性：EVT获益在NIHSS评分较高患者中显著放大，而随治疗延迟增加逐渐衰减。内部验证证实模型具有优秀区分度（AUC=0.77，Brier评分=0.19）与校准度，其反事实预测概率分布揭示人群存在显著治疗获益差异。外部验证进一步验证模型泛化能力（AUC=0.74），且与因果推理T-Learner模型估计的治疗效应高度一致（Pearson相关系数r=0.98）。
临床转化与应用界面
研究团队将模型部署为基于Streamlit的网页应用程序（
https://dusktool.streamlit.app/），临床医生可通过界面输入患者年龄、NIHSS评分、闭塞部位、治疗时间等参数，获取EVT与MM两种场景下的良好结局概率预测。工具输出包含原始概率、DUSK临床评分（1-20分）及基于≥5%获益阈值的治疗建议。该设计强调临床可解释性，通过可视化条件平均处理效应（CATE）增强决策透明度。
研究局限与展望
本研究存在回顾性设计的固有局限，如未测量混杂因素（术者经验、血管解剖复杂性等）和局部影像判读差异。由于灌注成像（CTP）参数缺失率较高，模型未纳入缺血核心体积等关键影像生物标志物。未来研究需通过前瞻性RCT验证模型因果推断效能，并整合标准化灌注数据以提升预测精度。
结论与临床意义
DUSK工具首次将反事实估计框架应用于DMVO卒中治疗决策，通过可解释建模揭示了EVT获益的人群异质性。尽管整体队列未显示EVT优势，但工具精准识别出中重度卒中（NIHSS≥8）等获益亚组，为个体化治疗提供了超越群体平均效应的决策支持。这一融合临床专业知识与机器学习的方法，为卒中精准医疗实践开辟了新路径。
