2025年9月12日，Lichao Wei等人在《eClinicalMedicine》雜志上發(fā)表了一篇題為《Development and validation of a machine learning-based model for 90-day prognosis outcome in spontaneous intracerebral hemorrhage patients based on non-contrast computed tomography: a multicenter retrospective observational study》的文章。本研究旨在通過整合非增強(qiáng)計(jì)算機(jī)斷層掃描（NCCT）特征和基本臨床特征，利用機(jī)器學(xué)習(xí)算法開發(fā)一個(gè)臨床有用的自發(fā)性腦出血（sICH）短期預(yù)后預(yù)測(cè)模型，以提供一個(gè)及時(shí)、便捷且實(shí)用的預(yù)測(cè)工具。
sICH是一種具有高死亡率和高致殘率的疾病，NCCT是其診斷和治療中最常用的影像學(xué)方法。盡管已有研究基于NCCT特征預(yù)測(cè)血腫擴(kuò)大和功能預(yù)后，但這些研究并未全面分析NCCT特征，且主要關(guān)注血腫擴(kuò)張的預(yù)測(cè)。此外，現(xiàn)有預(yù)測(cè)模型要么準(zhǔn)確性有限，要么需要評(píng)估大量預(yù)測(cè)變量，限制了其臨床實(shí)用性。機(jī)器學(xué)習(xí)（ML）作為一種先進(jìn)的數(shù)據(jù)挖掘和分析方法，在多個(gè)醫(yī)學(xué)領(lǐng)域表現(xiàn)出優(yōu)異的預(yù)測(cè)性能，但其在sICH預(yù)后預(yù)測(cè)中的應(yīng)用尚未充分探索。
數(shù)據(jù)來源于中國四個(gè)醫(yī)療中心的sICH患者：復(fù)旦大學(xué)附屬華山醫(yī)院神經(jīng)外科（2018年1月至2024年3月，385例）、復(fù)旦大學(xué)附屬金山醫(yī)院神經(jīng)外科（2022年3月至2024年1月，164例）、合肥市第二人民醫(yī)院神經(jīng)內(nèi)科（2018年1月至2024年6月，542例）作為訓(xùn)練隊(duì)列（總計(jì)1091例）；安徽醫(yī)科大學(xué)第一附屬醫(yī)院神經(jīng)內(nèi)科（2022年12月至2024年6月，102例）作為外部驗(yàn)證隊(duì)列。數(shù)據(jù)包括患者的人口統(tǒng)計(jì)學(xué)信息、臨床特征（如性別、年齡、NIHSS評(píng)分、GCS評(píng)分）、NCCT影像特征（如血腫體積、平均CT值、黑洞征等）以及90天改良Rankin量表（mRS）評(píng)分。
本研究是一項(xiàng)多中心回顧性觀察性研究，遵循TRIPOD指南。研究納入標(biāo)準(zhǔn)包括年齡≥18歲、符合sICH診斷標(biāo)準(zhǔn)、癥狀出現(xiàn)后48小時(shí)內(nèi)接受初始NCCT掃描、首次急性sICH發(fā)作；排除標(biāo)準(zhǔn)包括創(chuàng)傷性出血、顱內(nèi)血管畸形、腫瘤導(dǎo)致的繼發(fā)性出血、單純腦室內(nèi)出血、失訪或sICH前mRS評(píng)分≥3。研究使用訓(xùn)練隊(duì)列（1091例）開發(fā)模型，并通過外部驗(yàn)證隊(duì)列（102例）驗(yàn)證模型性能。特征選擇采用遞歸特征消除（RFE），模型訓(xùn)練采用五折交叉驗(yàn)證結(jié)合網(wǎng)格搜索進(jìn)行超參數(shù)優(yōu)化，最終通過SHAP和SFS篩選核心預(yù)測(cè)因子，并構(gòu)建在線預(yù)測(cè)平臺(tái)。模型性能通過ROC曲線、AUC、準(zhǔn)確率、敏感性、特異性等指標(biāo)評(píng)估。SHAP用于解釋特征重要性，SFS用于篩選核心變量。敏感性分析包括比較MICE和完整病例分析的效果，亞組分析基于手術(shù)干預(yù)與保守治療分組評(píng)估模型性能。
研究隊(duì)列、基線特征和結(jié)果
訓(xùn)練發(fā)展隊(duì)列共納入1091例患者，平均年齡（61.69±14.46）歲，其中男性760例（69.66%），女性331例（30.34%）。外部驗(yàn)證隊(duì)列共納入102例患者，平均年齡（62.17±14.33）歲，其中男性74例（72.55%），女性28例（27.45%）。訓(xùn)練組與外部驗(yàn)證組在吸煙、血腫體積、入院時(shí)NIHSS評(píng)分、血腫平均CT值、短徑、血腫側(cè)、島征、漩渦征、低密度征、SAH及預(yù)后等方面均存在統(tǒng)計(jì)學(xué)差異（P < 0.05)。訓(xùn)練隊(duì)列中預(yù)后較好與較差患者的亞組分析，性別、入院時(shí) NIHSS 評(píng)分、入院時(shí) GCS 評(píng)、血腫體積、長徑、短徑、高度切片數(shù)、血腫部位、IVH、島征、衛(wèi)星征、液面征、黑洞征、不規(guī)則形狀征、漩渦征、低密度征、密度不均一征、中線移位和 SAH 等方面均存在統(tǒng)計(jì)學(xué)差異（P < 0.05)。
預(yù)測(cè)模型性能
對(duì)訓(xùn)練隊(duì)列中的5個(gè)機(jī)器學(xué)習(xí)模型進(jìn)行五折交叉驗(yàn)證，得到各模型的平均預(yù)測(cè)性能：LR（0.795±0.027）、SVM（0.802±0.018）、RF（0.806±0.014）、XGBoost（0.803±0.015）、LightGBM（0.813±0.012）（圖2）。表1給出了不同機(jī)器學(xué)習(xí)預(yù)測(cè)模型的常見性能指標(biāo)對(duì)比?；谝陨辖Y(jié)果，選擇LightGBM模型（AUC=0.813）作為預(yù)測(cè)模型。在內(nèi)部測(cè)試中，臨床特征（AUC：0.822，95％CI（0.763-0.881）），NCCT特征（AUC：0.770，95％CI（0.704-0.835））和兩者的融合（AUC：0.852，95％CI（0.797-0.906））（圖3A）。雖然在外部驗(yàn)證中，三種模型的AUC略有下降，包括臨床特征（AUC：0.792，95%CI（0.689～0.894））、NCCT特征（AUC：0.746，95%CI（0.637～0.855））以及兩者融合（AUC：0.796，95%CI（0.694～0.897）），但融合特征模型仍然具有最佳的檢測(cè)性能（圖3B）（表2）。
圖2 經(jīng)過五重交叉驗(yàn)證的五個(gè)機(jī)器學(xué)習(xí)模型的平均 AUC 性能
圖3 基于臨床特征、NCCT特征、融合特征的LightGBM模型預(yù)測(cè)sICH患者短期預(yù)后的ROC曲線分析（A.內(nèi)部測(cè)試；B.外部驗(yàn)證）
表1 對(duì) 5 種機(jī)器學(xué)習(xí)模型的性能結(jié)果進(jìn)行比較分析
表2 不同特征組合的GBM模型在內(nèi)部測(cè)試和外部驗(yàn)證上的表現(xiàn)
SHAP可解釋模型
采用SHAP圖可視化展示預(yù)測(cè)變量對(duì)模型結(jié)果的影響，分別列出入院GCS評(píng)分、入院NIHSS評(píng)分、IVH、平均CT值、血腫體積、黑洞征、島征、漩渦征等多個(gè)因素對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)（圖4）。進(jìn)一步采用序貫前向選擇法（SFS）進(jìn)一步簡(jiǎn)化模型，并利用LightGBM模型中變量重要性和組合得到的預(yù)測(cè)數(shù)據(jù)，生成組合AUC和變量重要性折線圖（圖5） 。通過整合入院GCS評(píng)分、IVH、入院NIHSS評(píng)分、平均CT值、血腫體積、黑洞征，優(yōu)化并提升了模型的預(yù)測(cè)能力。利用這六個(gè)關(guān)鍵指標(biāo)，開發(fā)了一個(gè)基于網(wǎng)絡(luò)的計(jì)算器，以促進(jìn)對(duì) sICH 患者的個(gè)體化預(yù)后風(fēng)險(xiǎn)評(píng)估，提高可訪問性和便利性（https://surge-ustc.shinyapps.io/multi_para_sih_prognosis/）。
圖4 LightGBM 模型的 SHAP 分析預(yù)測(cè) sICH 患者預(yù)后不良
圖5 基于變量重要性構(gòu)建的不同變量組合的 LightGBM 模型性能比較
研究成功開發(fā)并驗(yàn)證了一個(gè)基于LightGBM算法的機(jī)器學(xué)習(xí)模型，用于預(yù)測(cè)sICH患者的90天功能預(yù)后。該模型整合了臨床特征和NCCT影像特征，其中入院GCS評(píng)分、IVH、入院NIHSS評(píng)分、平均CT值、血腫體積和黑洞征被確定為核心預(yù)測(cè)因子。模型在內(nèi)部和外部驗(yàn)證中均表現(xiàn)出色（AUC>0.79），具有良好的準(zhǔn)確性和泛化能力。此外，研究還提供了一個(gè)便捷的在線預(yù)測(cè)平臺(tái)（https://surge-ustc.shinyapps.io/multi_para_sih_prognosis/），可用于臨床快速評(píng)估患者預(yù)后。該模型有望輔助醫(yī)生進(jìn)行風(fēng)險(xiǎn)分層、個(gè)性化治療決策和資源優(yōu)化，但未來仍需前瞻性研究和多族群驗(yàn)證以進(jìn)一步推廣其應(yīng)用。
上一篇：不同腦小血管疾病負(fù)荷下與認(rèn)知功能障礙相關(guān)的異常腦結(jié)構(gòu)-功能連接偶聯(lián)
下一篇：09.22-09.28 臨床預(yù)測(cè)模型研究頂刊快報(bào)
