基于机器学习的预测,在动脉瘤下arachnoid出血的短期结果:一个多中心研究,整合临床和炎症指标
Weichong Zhou1, Cong Peng2, Peize Li3
1Yongchuan Hospital of Chongqing Medical University, Chongqing, 402160, China.
BMC medicine
|November 29, 2025
概括
这项研究开发了一种机器学习模型,用于早期预测动脉瘤下关节出血 (aSAH) 的不良结果. 梯度增强机模型整合了临床和炎症标志物,以帮助及时做出治疗决定.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 动脉瘤下关节出血 (aSAH) 对生命构成重大威胁.
- 早期预测不良结果对于有效管理至关重要.
- 整合临床和炎症数据可以提高预测准确度.
研究的目的:
- 开发和验证一种机器学习模型,用于早期预测aSAH患者不良结果的风险.
- 为了确定aSAH预后的关键临床和炎症预测因子.
- 创建一个个性化风险评估工具.
主要方法:
- 一个多中心的回顾性队列研究,涉及1,120名aSAH患者进行模型开发和326人进行验证.
- 评估了28个预测因素,包括临床尺度和炎症/营养生物标志物.
- 使用Boruta和LASSO进行特征选择,使用十倍交叉验证训练和验证六个算法.
主要成果:
- 梯度增强机 (GBM) 模型表现出卓越的性能,AUC为0.895 (内部) 和0.864 (准外部验证).
- 确定了九个关键预测因子:公素,C反应蛋白与淋巴细胞比率 (CLR),WFNS等级,全身免疫炎症指数 (SII),预后营养指数 (PNI),中性粒细胞与白蛋白比率 (NAR),格拉斯哥昏迷表 (GCS),血小板与淋巴细胞比率 (PLR) 和修改的费舍尔等级.
- 开发了一个基于网络的计算器,用于个性化风险预测.
结论:
- 基于GBM的模型有效地预测aSAH的短期不良结果,促进快速的临床决策.
- 建议进一步进行前性多中心验证,以确保可通用性.
- 这种预测模型可以支持对aSAH患者的及时干预.
