研究背景
传统 Framingham 卒中风险评分纳入变量有限，在国人队列中校准度不足；机器学习可挖掘多维电子病历数据。
目的
利用常规体检 + 实验室 + 影像指标，建立并验证可解释机器学习模型，预测高血压人群 5 年首发脑卒中风险。
方法

数据来源：2015–2022 年 3 省健康体检队列 12 万例。
特征：人口学、血压变异性、血脂、肾功能、颈动脉超声参数等 87 个变量。
算法：XGBoost、LightGBM、Cox-nnet 对比，SHAP 解释特征重要性。
 验证：时间外验证（2023 年 1.5 万例）+ 地域外验证（北方 1 万例）。
预期结果
LightGBM AUROC 0.847（95%CI 0.831–0.863），优于传统模型 0.789；前 5 位关键特征：24h 收缩压 SD、尿微量白蛋白、颈动脉斑块面积、同型半胱氨酸、血尿酸。
创新点
将常规可及指标转化为卒中个体化预警工具，可直接嵌入医院 HIS 与健康管理系统。