目的 筛查动脉瘤性蛛网膜下腔出血(aSAH)患者动脉瘤夹闭术后预后相关影响因素,并基于机器学习算法构建预测模型.方法 回顾2020年10月至2021年7月在天津市环湖医院行动脉瘤夹闭术的182例aSAH患者临床资料、实验室指标、手术相关资料和药物应用情况,按照7:3比例随机分为训练集和测试集,训练集用于构建预测模型、测试集用于评价模型预测效能.采用合成少数类过采样技术(SMOTE)处理不平衡数据,通过递归特征消除法、Spearman秩相关分析、XGBoost特征重要性分析选择特征变量,并基于最优特征子集采用Logistic回归(LR)、随机森林(RF)、支持向量机(SVM)、决策树(DT)、K最近邻(KNN)和朴素贝叶斯(NB)共6种机器学习算法建立预后预测模型,绘制受试者工作特征(ROC)曲线并计算曲线下面积以及准确度、灵敏度、召回率和Fl值.结果 训练集共纳入127例患者,包括预后良好[Glasgow预后分级(GOS)4～5级]103例、预后不良(GOS分级1～3级)24例,SMOTE技术生成79例预后不良数据,使预后良好与不良病例均达103例;测试集计55例,包括预后良好44例、预后不良11例.通过特征变量选择和特征重要性分析共获得17个最优特征子集,动脉瘤个数,碱性磷酸酶、肌酐,应用赖氨酸、肝素钠、硝酸甘油与预后良好呈正相关;年龄,Hunt-Hess评分,成熟中性粒细胞绝对值、血清钠、尿酸、总胆红素、嗜碱性粒细胞绝对值、肌酸激酶,应用呋塞米、人血白蛋白,住院时间与预后良好呈负相关.ROC曲线显示,LR模型预测预后的曲线下面积为0.75±0.08(95％CI:0.615～0.857,P=0.001),准确度 0.764、灵敏度 0.919、召回率 0.773、F1 值 0.840;RF 模型为 0.57±0.08(95％CI:0.428～0.701,P=0.283),准确度 0.745、灵敏度 0.826、召回率 0.864、F1 值 0.845;SVM 模型为 0.65±0.08(95％CI:0.507～0.772,P=0.034),准确度 0.764、灵敏度 0.860、召回率 0.841、F1 值 0.850;DT 模型为 0.61±0.09(95％CI:0.473～0.742,P=0.135),准确度 0.709、灵敏度 0.850、召回率 0.773、F1 值 0.810;KNN 模型为0.66±0.08(95％CI:0.519～0.782,P=0.060),准确度 0.618、灵敏度 0.897、召回率 0.591、F1 值 0.712;NB 模型为 0.56±0.08(95％CI:0.417～0.691,P=0.458),准确度 0.673、灵敏度 0.825、召回率 0.750、F1 值 0.786;尤以LR模型预测效能最佳(均P＜0.05).结论 基于6种机器学习算法开发的模型可以较好地预测aSAH患者动脉瘤夹闭术预后,其中以LR模型预测效能最佳,可用于术前评估,有助于神经外科医师制定临床决策.

颅内动脉瘤;蛛网膜下腔出血;预后;人工智能;算法;ROC曲线

杨翀;李旭东;吕良福;袁恒杰;张毅

300350 天津市环湖医院药剂科;300350 天津市环湖医院神经外科;300072 天津大学数学学院;300052 天津医科大学总医院药剂科

中国现代神经疾病杂志

[1]杨翀;李旭东;吕良福;袁恒杰;张毅-.大数据模型预测动脉瘤夹闭术后动脉瘤性蛛网膜下腔出血患者预后临床研究:模型建立与评价)[J].中国现代神经疾病杂志,2022(10):841-849

大数据模型,动脉瘤夹闭术,动脉瘤性蛛网膜下腔出血,建立与评价,aSAH,术后预后,相关影响因素,基于机器学习,机器学习算法,环湖,实验室指标,药物应用,训练集,测试集,预测效能,合成少数类过采样技术,SMOTE,不平衡数据,递归特征消除法,秩相关分析,XGBoost,特征重要性分析,特征变量,优特,特征子集,集采,LR,RF,决策树,DT,最近邻,KNN,朴素贝叶斯,NB,预后预测模型,受试者工作特征,召回率,Fl,Glasgow,GOS,预后不良,不良数据,变量选择,共获,碱性磷酸酶,肌酐,赖氨酸,肝素钠,硝酸甘油,Hunt,Hess,中性粒细胞绝对值,尿酸,总胆红素,嗜碱性粒细胞,肌酸激酶,呋塞米,人血白蛋白,预测预后,尤以,算法开发,术前评估,神经外科,外科医师,临床决策,颅内动脉瘤

0.26568