诊断错误已成为一个主要的公共卫生问题，造成可预防的患者伤害和过度的卫生支出。美国国家科学院最近发表的一份题为《提高医疗诊断水平》的报告指出，几乎每个人一生中至少都会受到一次医疗误诊的影响，有时还会带来灾难性的后果。 1]．在美国，误诊每年至少造成4万至8万人在医院死亡，可能造成相当数量的残疾[ 2]．医生报告的错误和封闭的医疗事故索赔表明，中风是最常见和最危险的误诊医疗状况之一。 3.- 5]．诊断错误导致的可预防的脑卒中死亡发生率比心肌梗死死亡率高≥30倍[ 6， 7]．

中风的诊断由于大量的中风模仿和中风变色龙而变得复杂。大约30%的有典型中风症状的住院患者最终出现了非中风症状(即中风模拟症状)[ 8]．许多其他疾病也可能表现出类似中风的症状，如癫痫发作、偏头痛、精神紊乱、药物或酒精中毒[ 8， 9]．将模拟物误认为急性中风可能会使患者接受不必要的诊断和治疗，浪费有限的资源，并产生额外的费用。相反，更危险的是，中风变色龙是实际的中风症状，表现为非典型或未被认识到的中风症状，并伪装成非中风的医疗状况。大约25%的中风患者在发病时不表现出典型的“面部、手臂、语言”症状，急救医疗服务在这类患者中识别中风是具有挑战性的[ 10]．对变色龙的误诊会导致对中风患者的识别和治疗的严重延误。大约三分之一的潜在符合条件的患者未能接受阿替普酶(组织纤溶酶原激活剂)，这是治疗急性缺血性卒中的金标准[ 10]．这要么是因为缺乏专家进行适当的临床评估，要么是因为在向具有所需中风处理能力的卫生保健机构转诊的过程中出现延误[ 11]．特别是黑人、西班牙裔、妇女、老年医保患者和农村地区的人在中风后更容易误诊和延迟接受组织纤溶酶原激活剂[ 10]．此外，由于紧急情况的时效性和动态性、快节奏的环境、频繁的中断、普遍存在的信息差距和高工作量，在急诊科(EDs)准确诊断中风尤其具有挑战性[ 12- 15]．一个可以无缝集成到临床工作流程中的自动筛选工具，可以快速分析可用信息并建议中风诊断(“中风警报”弹出)，这可能非常有帮助[ 16]．

机器学习(ML)是人工智能的一个重要分支，它有可能从大量数据中识别隐藏的见解，并通过从示例输入(即训练数据)中迭代学习，在未见过的数据(即测试数据)上生成预测。机器学习问题通常可以分为3种主要类型:分类和回归，称为监督学习，以及无监督学习，在机器学习应用的上下文中通常指聚类。在卒中研究的文献中，ML算法已被应用于不同的任务，例如识别与未来卒中风险相关的因素[ 17- 19]，制定中风严重程度的措施[ 20.， 21]，并预测中风结果[ 22， 23]．为了提高诊断水平，研究人员专注于开发(基于电子健康记录[EHR]的)算法来确定中风亚型[ 24- 26]并应用深度学习方法促进成像评估[ 27， 28]．表型算法和深度学习模型的最新进展通过使用多种类型的电子病历数据，特别是临床记录和先进的诊断测试，显著改善了中风的预测。然而，当详细的临床评估和诊断测试不容易获得时，只有少数调查集中在使用ML的诊断算法在紧急分诊中的应用。

大多数疑似中风患者的第一次脑成像是非对比CT扫描，该扫描在患者到达急诊科的几分钟内完成。然而，非对比CT扫描不足以诊断急性中风，因为头部CT检查在大多数情况下不能显示超急性中风，并且它降低了对腔隙性中风的敏感性[ 29]．更敏感的诊断工具，如弥散加权磁共振成像，可以很早就显示出缺血性改变。尽管近年来先进的神经成像技术的使用有所增加，但在ED中使用磁共振成像诊断脑卒中仍然有限，特别是在迫切需要诊断的情况下[ 30.]．此外，到急诊科就诊的患者可能容易受到信息缺口的影响，因为他们通常病情严重，在不规律的时间迅速向医院报告，并且经常在初级医生不知情的情况下去急诊科就诊。这些因素使得急诊医师很难获得及时准确诊断所需的所有信息(如临床记录、报告和诊断测试结果)。

除了医疗风险因素外，健康的社会决定因素(SDoH)已被证明与中风和许多其他疾病的风险有关[ 31， 32]．社会健康包括各种社区和社会因素，例如“人们出生、成长、工作、生活和衰老的条件”和“这些条件的基本驱动因素”[ 33]．根据广泛使用的人口健康模型，个人健康只有20%与临床护理有关，其中包括获得护理和卫生保健服务的质量。个人健康的另外80%与他们的物理环境、社会决定因素以及运动或吸烟等行为因素有关[ 34， 35]．近年来，对人口健康的日益关注促使人们努力解决健康健康的上游因素，如获得健康食品和可行的交通选择。有大量文献致力于调查各种SDoH因素与中风风险之间的相关性，这已被充分记录[ 36- 39]．然而，只有少数研究将SDoH信息纳入其预测模型，并明确评估SDoH信息对脑卒中诊断和分诊的附加价值[ 40]．无论是在文献中还是在从业者群体中，都呼吁明确评估SDoH数据是否以及如何有助于改善患者风险分层和预测[ 40， 41]．

在这项研究中，我们的目的是开发一种基于患者住院时广泛可用的数据的ML卒中预测算法，并评估SDoH在卒中预测中的附加价值。由于预测模型不需要临床记录或诊断测试结果，因此在处理症状较轻和非典型的中风患者时，它可能特别有助于解决误诊挑战;在小容量或非中风中心的急诊科，急诊人员每天接触中风的机会有限。 16];在农村地区和小社区，敏感的诊断工具有限，数据收集能力不完整或不可靠[ 3.， 5]．该模型还可以应用于紧急医疗服务和远程医疗，实时无缝地对患者进行分诊，并提醒提供者和护理团队。此外，我们分析了最具影响力的驱动特征，有助于每个患者的诊断，特别是SDoH在预测中的作用。研究结果可以深入了解预测模型在这一关键环境中的价值，并最终帮助急诊护理提供者做出更明智的决定。

本研究检查的二级医院出院数据来自医疗保健成本和利用项目国家特定数据库，医疗保健研究和质量机构。医疗保健成本和利用项目数据库符合有限数据集的定义，使用有限数据集不需要机构审查委员会的审查[ 42]．

我们的数据来自两个主要来源。我们获得了纵向管理数据，其中包含来自佛罗里达州医院的住院和急诊科就诊的遭遇级信息。第二个数据来源是美国人口普查局进行的美国社区调查[ 43]．ACS数据提供了邮政编码级别的SDoH信息，如人口统计、社会、住房、交通和其他社会经济因素。

我们首先利用入院时患者水平的可用信息来预测二元结果，表明患者出院时的最终诊断是否为中风。我们运行了三种不同的模型，这些模型在文献中已经很好地建立了训练过程:(1)逻辑回归，(2)RF和(3)梯度增强机(GBM)。每个模型使用不同的预测变量组合来评估不同变量的附加预测价值。

逻辑回归是一种常用的方法，用于对一组预测变量和二元结果变量之间的关系进行建模，并用于基准测试[ 57]．RF是一种监督学习算法，它在数据的不同子样本上拟合多个决策树，对结果进行分类，以防止过拟合的问题[ 58， 59]．预测精度是所有决策树的平均值。它还提供了有关特性重要性的见解。参数调优有助于确定RF中提供最佳性能的树的数量和每个树的允许深度。GBM与RF类似，因为它也构建了多个决策树进行预测;然而，不同之处在于GBM构建决策树的方式和它结合决策树结果的方式[ 60]．

我们首先对所有3个模型的超参数进行了调优，以便在整个数据集上使用网格搜索和5倍交叉验证来找到最佳配置。交叉验证的评价指标为受试者工作特征曲线下面积(AUC)。我们在数据集上使用80-20随机分割，因为这是ML模型中使用的标准分割方法，通常用于测试模型性能，为EDs中的提供者设计支持ML的诊断工具[ 16]．我们采用自适应合成采样技术，对训练数据中的少数类(如非卒中“控制”)生成合成数据，以解决现实世界数据中卒中事件分布不平衡的问题。使用超参数的最佳配置，然后我们使用平衡的训练数据集开发和评估我们的模型，重复5倍交叉验证和成本敏感分类，以避免过拟合。对于每个折叠，对模型的性能指标进行评估，包括AUC、准确性、精密度、灵敏度或召回率、特异性和 F₁-score，使用测试数据集。逻辑回归和RF模型在Python(版本3.9.12,Python Software Foundation)中使用scikit-learn(版本1.0.2;大卫Cournapeau)。GBM在Python 3.9.12中使用CatBoost (version 1.0.6, Yandex LLC)实现。每个ML模型的关键超参数的配置列在 多媒体附录3．

作为稳健性检验，我们采用了另一种数据分割方法，即使用2012年的历史数据预测2013年，同时使用2012年和2013年的数据预测2014年。

尽管ML模型可以产生准确的预测，但它们通常被视为缺乏可解释性的黑箱模型。这是一个重要的问题，特别是在医疗保健中，因为临床医生通常不愿意在没有明确潜在推理的情况下接受机器建议[ 57]．然而，根据最近的一篇综述，医学领域中涉及可解释性的ML研究数量非常有限[ 58]．在这项研究中，我们遵循了Saarela和Jauhiainen在他们2021年的论文中概述的方法[ 59]进行特征重要性度量的比较，以增强模型结果的可解释性或可解释性。为了深入了解预测并最终协助护理提供者做出决策，我们使用TreeSHAP的基于树的ML模型来解释每个患者的中风预测(请参阅 结果部分)。 图2展示了基于合成数据开发模型所遵循的研究路径，并对模型进行比较和解释，以得出用于中风预测的最佳预训练ML模型。

在最终的数据集中，有143,203名独特患者就诊，根据出院记录确认其中73% (n=104,662)的患者发生了中风。预测模型包括来自医院管理数据集的12个患者级特征，以及来自ACS数据集的16个社区级特征。我们将患者水平的预测因素归纳为3类:患者人口统计学、就诊水平特征和个体水平的SDoH;他们的统计摘要载于下表( 表1）.最终被诊断为中风的患者往往年龄较大，有更多的慢性疾病，并且有医疗保险作为主要付款人。2-样本的结果 t经Bonferroni校正的双尾检验显示，所有患者水平的预测因子在卒中患者和卒中模拟患者之间存在统计学差异，显著性水平为0.05 P的最后一列中的值 表1）.将16个社区层面的SDoH特征归纳为:地区人口统计、社会经济地位、职业和人口层面的医疗保险覆盖率。 多媒体附录2包含有关社区级预测器的详细信息。

表2显示了在3个输入组合和3个分类器(逻辑回归、RF和GBM)上运行的9个模型的测试集上测量的算法性能。ML分类器在所有3种输入组合中始终优于基准逻辑回归。更具体地说，GBM分类器在前两种输入组合(即，当使用患者和访问级别的特征集时)中始终优于逻辑回归和RF。当将患者、就诊和社区层面的变量作为输入(即最完整的输入组合)时，ML模型在逻辑回归中占主导地位。纳入个体水平的SDoH特征提高了所有3种分类器的性能，特别是GBM模型，其AUC从0.694(模型3)增加到0.823(模型6)。进一步纳入社区水平的SDoH特征提高了总体预测性能指标、AUC、敏感性和特异性，2ml模型(模型8和9)。

我们根据实际护理环境中的绩效指标和临床需求来选择模型。请注意，误诊的代价是不对称的。对中风的误诊(将真正的中风贴上非中风的标签)可能比过度诊断(即假阳性的中风诊断)对病人和医生都有更严重的不良后果。因此，所选择的模型应具有较高的灵敏度，同时将特异性保持在合理的范围内。两种ML模型(RF和GBM)都正确检测出至少97%(101,522/104,662)的卒中患者，因此显著优于院前卒中预测量表(范围在0.38至0.62之间)[ 61以很大的优势胜出。用约登指数(Youden index)从试验的敏感性和特异性的总和中减去1来计算，用于评价诊断试验的总体判别能力。约登指数没有被包括在内 表2由于空间的限制;然而，它可以很容易地计算使用敏感性和特异性，这两个都包含在表中。根据最近的几篇文献综述，紧急医疗服务、救护车和急诊室设置中使用的卒中预测量表的约登指数范围为0.30至0.54 [ 61， 62]，而我们的中风预测模型在0.56到0.62之间。

多媒体附录4利用2012年的历史数据，给出了采用备选数据分割方法对模型进行训练的结果。我们的模型仍然表现出良好的整体性能，具有>90%的高灵敏度 F₁-得分在0.83到0.88之间。

我们发现这三种模型在解释其性能的最重要特征上是一致的( 图3;使用的术语术语表以及变量定义可以在 多媒体附录5）.前5个特征涉及年龄、入院时慢性病的数量和主要付款人(如医疗保险或私人保险)。最重要的两个特征是年龄和慢性疾病的数量。RF和GBM模型都将患者的年龄确定为最重要的特征之一。这与最近的一项研究结果一致，该研究使用了一种新的混合特征选择模型，该模型集成了各种过滤和包装方法来检测中风风险[ 63]．年龄越大，预测中风的概率越大，年龄越小，预测中风的概率越低。影响模型性能的第二个最重要的特征是入院时慢性病的数量。入院时患有慢性病的人数越多，预测中风的概率就越大。

值得注意的是，患者的入院类型(例如，是急诊还是选择性入院)和入院时间(例如，他们是否在夜班期间入院)有助于中风预测的准确性。已有研究调查了“周末效应”对死亡率的影响[ 64- 66]以及根据病人到达医院或入院的时间，他们所得到的治疗质量的差异[ 67， 68]．总的来说，这些研究主要集中在急诊入院。如果患者的不良结果(如死亡率)与不同的工作实践和工作人员在非工作时间的可用性有关，那么急性疾病的诊断可能会受到类似的影响，我们目前的研究结果证实了这一假设。

除年龄外，其他患者层面的人口统计和社会经济因素，包括性别、种族和主要付款人(即医疗费用是否由医疗保险、医疗补助、私人保险或其他付款人支付)，也有助于模型的预测。这些发现补充了最近观察到的不同种族和性别群体中风风险模式的差异[ 69， 70]．例如，Howard等人[ 69研究发现，在45岁到74岁之间，白人女性比白人男性患中风的可能性要小;然而，当白人男性和女性年龄≥75岁时，卒中风险没有差异。相比之下，他们发现黑人女性在≤64岁时中风的风险低于黑人男性，此后中风的风险相似[ 69]．另一项研究发现，黑人妇女比白人妇女患中风的风险更大，而在50至60岁的妇女中，种族差异最大。 70]．此外，我们的研究结果表明，健康保险状况不仅与医疗保健使用有关，而且是中风的重要预测因素。这些发现具有重要的意义，并表明千篇一律的方法可能无法很好地预防中风。例如，针对没有医疗保险覆盖的社会弱势群体的干预措施可能在减少差距方面提供最大的好处。

一些社区层面的SDoH变量(例如，单身妇女的百分比;从事与金融、零售和制造业密切相关职业的人口比例;平均上班时间)也在前20名之列。然而，它们对脑卒中预测的影响程度远小于患者水平的人口统计学和社会经济特征。这与文献[ 40的预测性能 表2．虽然个体和社区水平的SDoH特征都有助于提高预测性能，但个体水平的SDoH特征的改善程度(AUC从0.694增加到0.823)远远大于社区水平SDoH特征的改善程度(AUC从0.823增加到0.829)。在没有个体SDoH特征的情况下，仅在访问级数据中加入社区SDoH特征，AUC从0.694增加到0.724。

消融研究通常用于为特征分配重要性分数[ 71- 73]．在这种方法中，特征的重要性是根据其移除导致的性能降低来决定的。我们做了如下的消融分析。首先，我们在训练数据集上训练GBM模型，并使用精度度量计算测试数据集上的基础分数。其次，我们从训练数据集中去掉一个特征，再次训练GBM模型，然后计算该模型在测试数据集中的得分。这对模型中包含的每个特征都是重复的。最后，我们根据特征不存在时计算的分数与基本分数(当所有特征都存在时计算的分数)之间的差异对特征进行排名。与特征重要性比较分析的结果一致，消融分析中排名前2位的特征是年龄和慢性病数量，其次是个体水平的SDoH特征，然后是社区水平的SDoH特征( 多媒体附录6）.

为了深入了解预测并最终协助护理人员做出决策，我们试图使用TreeSHAP解释中风预测模型[ 74]，用于基于树的ML模型的Shapley加性解释(SHAP)的一种变体。SHAP方法从联合博弈论中计算Shapley值，以量化每个特征对预测的贡献[ 75- 77]．TreeSHAP使用条件期望来估计单个树的效果，而树集合的Shapley值是单个树的Shapley值的加权平均值。

图4显示了SHAP值来解释中风预测的2个例子(使用的术语表以及变量定义可以在 多媒体附录5）.我们将特征归因可视化为“力”，每个特征值都是一种力，可以从基线开始增加或减少预测。基值或期望值是模型输出对训练数据的平均值，等于1.084 [ 75]．将预测推高(向右)的特征显示为红色，而将预测推低的特征显示为蓝色。第一个示例(预测演示示例1)的输出值(即对该观测值的预测)为1.96，高于基值，因此，该示例被预测模型标记为stroke。作为黑人，入院时患有10种慢性病，并且有私人保险作为主要付款人，这些都推高了中风的预测。这与文献表明的在急诊科被误诊为中风的可能性在医疗保险或医疗补助的接受者中比在私人保险的患者中要低一致。 7]．相比之下，我们还查看了另一个示例(预测演示示例2)的SHAP值，其中模型成功地预测了卒中模拟。第二个示例获得了−0.27的低输出值。与论证例1相似，论证例2年龄为50岁;然而，作为白人，在入院时有3种慢性疾病，并且在夜班期间入院，降低了中风的预测。

这些例子表明，个体水平的中风预测因素可能因病例而异，可用于个性化诊断和护理点的治疗决策，而人群水平的分析提供了住院时中风重要预测因素的总体排名，可用于制定最佳实践指南和患者管理计划。

在这项研究中，我们开发了一种基于ml的方法，使用常规收集的行政数据来帮助减少中风误诊。我们的研究结果表明，在获得诊断成像或实验室检查结果之前，可以根据患者的人口统计数据和医院就诊时可用的SDoH信息来预测中风。该算法的AUC为83%，提供了准确的结果(高精度为84%)，并且返回了所有阳性结果的绝大多数(101,522/104,662,97%)(高灵敏度)。

这项研究填补了目前支持中风分诊的一个关键空白，该分诊要么侧重于提高院前设置的特异性，要么需要详细的神经学评估和成像结果。一方面，先进的机器学习技术已被应用于协助自动解释临床记录和成像，但这是基于这些信息源的可用性。另一方面，由于紧急医疗服务人员缺乏必要的时间和培训来进行详细的神经学评估，因此开发了简短而简单的临床方法，即院前卒中量表，以支持现场的初始分诊，例如辛辛那提院前卒中量表，洛杉矶院前卒中量表和方便掌握的现场评估卒中分诊。这些量表在临床实践中表现出广泛的性能变化;然而，一般来说，它们具有可接受到良好的特异性，但灵敏度较低[ 62， 78- 80]．文献综述比较了不同院前卒中量表的研究，发现这些量表的准确性各不相同，误诊了该领域高达30%的急性卒中。根据样本和研究地点的不同，洛杉矶院前卒中量表和辛辛那提院前卒中量表的诊断能力相似，灵敏度范围为0.79 ~ 0.91，使用方便抓握现场评估卒中分诊法检测大血管闭塞性卒中的灵敏度为0.62。这意味着这些量表有助于检测假阳性，从而减少医疗资源的浪费。然而，它们的低灵敏度导致人们担心这些量表会遗漏相当大比例的中风患者。因此，重要的是要有一个额外的筛查或决策支持工具来补充临床评估，并提供有价值的信息，以提高在医院就诊时发现中风的敏感性，从而减少漏诊[ 81]．在医院拥挤，医疗资源和临床人员短缺的情况下，我们提出的基于ml的模型可以帮助快速对患者进行适当的干预。如果患者出现中风或类似中风的症状，将触发一个自动的、计算机辅助的筛查工具，快速分析患者在医院就诊时的所有可用信息，并根据中风的最佳预训练ML模型提出诊断建议。如果该模型预测患者中风的风险很高，就会触发中风弹出式警报，提醒急诊科团队。 图5说明何时以及如何在现场实现此决策支持预测。

该模型可与其他基于急诊室电子病历的人工智能预测或决策支持系统集成，以进一步改善卒中分诊和诊断。尽管电子病历数据包含丰富而详细的临床信息，但某些也可能是重要风险因素的社会和行为决定因素(例如，种族)在电子病历中既没有得到充分的代表(包括“未知”类别)，也没有得到充分的描述[ 82]．此外，缺乏互操作性等各种障碍限制了电子病历数据的充分利用，以改善医疗服务的提供。因此，现有的研究大多基于单一地理区域内单一电子病历系统的患者数据[ 83]．相比之下，行政数据(如索赔数据)遵循索赔中包含的变量的结构和含义的特定标准，几乎每个医疗保健提供者都必须以相同的格式向其付款人或结算所提交电子索赔。因此，此类管理数据提供了一种有效的方法来补充电子病历数据，以衡量医疗保健服务的许多重要方面，并提供解决方案。我们利用广泛可用的管理数据和SDoH信息，在医院就诊时对患者进行筛选和快速排序，然后使用EHR数据和丰富的临床文档和诊断测试结果，进一步评估和根据风险对患者进行分层，从而获得了两全其美的效果。

在比较研究中报告的各种形式的绩效指标时，考虑特定的临床需求和护理环境是很重要的。在中风的情况下，对中风的误诊(将真正的中风贴上非中风的标签)通常会导致比过度诊断更严重的患者不良后果。虽然假阳性中风模拟很少导致法律后果，但假阴性可能导致关键治疗的延误，并经常引起医疗失误的指控。此外，考虑到敏感性和特异性之间的内在权衡，院前卒中量表对特异性的关注(即减少过度诊断)可能导致大量卒中误诊，需要在患者的医院报告中加以解决。因此，最大限度地减少假阴性率或最大限度地提高灵敏度是至关重要的急性护理设置为病人和提供者。最近的几项研究比较了目前可用的临床评估工具，如野外卒中分诊量表、美国国立卫生研究院卒中量表、洛杉矶运动量表和快速动脉闭塞评估，其中包括皮层体征(如凝视偏差、失语和忽视)以及运动功能障碍。并发现这些工具在检测大血管闭塞患者方面的诊断准确性优于区分急性卒中和模拟卒中[ 81]．许多研究被设计为排除出血或卒中模拟患者[ 81]．旨在区分急性卒中和卒中模拟的临床评估工具在院前环境中显示出适度的诊断准确性和低灵敏度，范围从38%到62% [ 61]．为急诊科设计的中风诊断工具，如急诊室中风识别量表和FABS评分系统，被发现比院前量表具有更高的敏感性(高达93%)，它们需要神经科医生的临床评估、脑CT检查结果或其他临床信息，如心房颤动[ 81， 84]．据我们所知，本研究中算法的敏感性，不依赖于额外的临床信息或影像学发现的可用性，优于院前或急诊科设置中使用的任何评分量表。

这项研究也是第一个大规模的研究，系统地评估SDoH信息在基于人群的风险预测设置中使用行政数据的附加价值。尽管许多研究表明，各种社会或行为因素与健康结果有关，但很少有研究明确地考察这些因素的知识是否能提高对临床事件或健康结果的预测。我们的结果与早期的研究结果一致，这些研究将SDoH数据与电子病历数据联系起来，以预测急诊科就诊[ 85]或需要转介各种社会服务[ 86]．然而，由于电子病历系统尚未实现完全的互操作性，这些研究大多局限于来自单一地理区域内单一电子病历系统的患者数据。本研究通过利用跨越不同卫生保健系统和地区的常规收集数据来扩展文献，以补充与人口健康分析相关的一些必要的初步步骤。此外，电子健康信息交换的发展有助于汇集来自多个来源的信息，并将行政索赔数据与临床数据结合起来。这样的进步使得在医院就诊时创建患者的综合档案成为可能，并进一步增强了我们的预测分析能力 ．

本研究有进一步完善的空间，留待以后的研究。首先，这是一项回顾性研究，卒中病例的确认依赖于国际疾病分类代码。对病人复杂的医疗记录进行复核以确定中风的诊断是可取的;然而，这一过程是劳动密集型和昂贵的，特别是当这是一项涉及不同卫生系统数十万患者的大规模研究时。我们的结果需要进一步验证，但有可能改善中风的分类和诊断。

其次，我们提出的算法不应该被认为是中风诊断的金标准。相反，我们认为该算法补充了院前或急诊室设置中使用的现有中风评分系统，并且可以集成到基于ml的决策支持系统中，该系统结合了患者的病史、SDoH和临床数据。这样的决策系统将具有敏捷和迭代的优势，因为随着ED中收集的数据越来越多，可以定期重新评估模型结果，以及具有最有希望相关性的变量的集成。

第三，本研究的重点是仅根据患者在医院首次就诊时可获得的信息来预测中风。这是因为首次或新发中风患者占美国每年中风患者的绝大多数(77%)[ 87]，而对于那些第一次出现在急诊科却没有历史数据的病人来说，要准确地预测中风就更具挑战性了。反复再入院患者和单次就诊患者可能遵循不同的轨迹，具有不同的潜在社会和行为决定因素[ 88]．未来的研究可能会继续探索如何最好地结合过去的信息来提高预测和识别重复患者的关键危险因素。

最后，我们的研究结果仅限于行政数据中可用的SDoH变量，这表明开发标准和工具的重要性，以常规收集和筛选个人层面的SDoH数据，并有效地将其整合到电子病历和结构化索赔数据中。我们目前的预测不需要任何额外的努力来收集额外的个人水平的SDoH。社区一级的ACS变量已被纳入最佳预训练模型的一部分。在我们的预测中使用的患者层面细节是:(1)基本人口统计数据，包括年龄、性别、种族和民族，以及主要付款人(即医疗保险、医疗补助、私人保险或其他);(2)到达信息(例如，是急诊还是择期入院，患者是在周末还是夜班期间入院);(三)病人居住在城市还是农村，以及他们的家庭收入中位数下降的四分位数( 表1)，两者都基于邮政编码变量。所有这三类信息都是由医院急诊科的分诊护士在初次分诊时例行收集的。例如，邮政编码可以从患者的家庭住址中获得，主要付款人可以从保险信息中识别出来。因此，对于目前提出的预测，患者不需要回答任何额外的sdoh相关问题。为了纳入更多患者层面的SDoH并进一步提高预测性能，需要更多的努力来开发SDoH筛查和收集工具。国家正在从初级保健开始努力，例如《应对和评估患者资产、风险和经验调查方案》，这是一项标准化的患者风险评估工具，由一套解决患者SDoH问题的国家核心措施组成。未来的研究还可以利用更先进的机器学习算法(如深度学习)来促进对大型高维数据集的更全面、更有效的分析，包括索赔、EHR和SDoH数据。

中风是最常见和最危险的误诊疾病之一。黑人、西班牙人、妇女、享受医疗保险的老年人和农村地区的人在中风后被及时诊断出来接受治疗的可能性较小。及时发现是有效管理和改善患者预后的关键。

我们开发了一种高性能的基于ml的中风预测算法，其性能优于现有的预警评分系统。该算法基于常规收集的变量，并在患者住院时随时可用，可能为加强患者监测和卒中分诊以及改善健康结果提供机会。由于预测模型不需要临床记录或诊断测试结果，因此在资源不足的农村急诊科和服务不足的社区特别有用，这些社区的敏感诊断工具可用性有限，数据收集能力不完整。此外，该算法可以纳入自动化的人工智能决策支持系统，该系统结合了ED呈现时广泛可用的管理数据以及随后可用的临床记录和诊断测试结果，以进一步改善中风的诊断、分诊和管理。