摘要目的 探讨基于神经网络算法构建循环炎症相关因子对脑卒中后抑郁(post-stroke depression,PSD)发生风险预测模型.方法 前瞻性选取2021年3月至2024年3月武汉科技大学附属老年病医院脑科中心脑卒中就诊的患者260例,其中训练集208例(80％)和验证集52例(20％),根据脑卒中后1个月内PSD发生情况将训练集脑卒中患者分为PSD组(62例)和非PSD组(146例).通过训练集筛选影响PSD发生风险的预测因素,在训练集中基于多因素logistic和神经网络算法分别构建PSD发生风险预测模型,比较2个预测模型的预测效能,同时在验证集进行验证.结果 本研究脑卒中后1个月内发生PSD 76例(29.23％),其中训练集62例,验证集14例.PSD组C反应蛋白(C-reactive protein,CRP)、纤维蛋白原(fibrinogen,FIB)、白细胞介素(interleukins,IL)-6、IL-1β、肿瘤坏死因子 α(tumor necrosis factor-α,TNF-α)、IL-18、中性粒细胞与淋巴细胞比值(neutrophil and lymphocyte ratio,NLR)明显高于非PSD组,差异有统计学意义(P＜0.01).多因素logistic回归分析显示,CRP(OR=1.494,95％CI:1.239～1.802)、FIB(OR=1.924,95％CI:1.191～3.109)、IL-6(OR=1.128,95％CI:1.001～1.272)、TNF-α(OR=1.051,95％CI:1.010～1.093)、IL-1β(OR=1.096,95％CI:1.006～1.194)、IL-18(OR=1.019,95％CI:1.002～1.036)、NLR(OR=1.873,95％CI:1.027～3.418)为 PSD 发生风险的危险因素(P＜0.05,P＜0.01).ROC曲线结果显示,神经网络算法的预测模型的曲线下面积明显高于多因素logistic回归分析模型(0.931 vs 0.855,Z=3.448,P＜0.05),且基于验证集评估,神经网络模型的准确性明显高于多因素logistic模型(92.31％vs 75.00％,P＜0.05).结论 循环炎症相关因子CRP、FIB、IL-6、IL-1β、TNF-α、IL-18、NLR与PSD发生风险有关,基于神经网络算法构建的循环炎症相关因子预测模型能更有效预测PSD发生风险.