2024年，一篇題為《Development and validation of a machine learning-based predictive model for assessing the 90-day prognostic outcome of patients with spontaneous intracerebral hemorrhage》的機器學習文章發(fā)表在《Journal of Translational Medicine》雜志上，作者為Zhi Geng等。這項研究旨在利用機器學習算法建立一個實用平臺，以預測自發(fā)性腦內出血（sICH）患者的短期預后結果。

sICH是最致殘和最致命的卒中亞型之一，約占所有卒中類型的10%至20%，是全球人口的第二大死亡原因。因此，預測sICH患者的預后和早期干預尤為重要?，F(xiàn)有研究表明，中低收入國家的sICH發(fā)病率高于富裕國家（分別為每100,000人117例和每100,000人94例），且與其他種族相比，亞洲的sICH發(fā)病率顯著上升。sICH的疾病負擔很大程度上歸因于對可控風險因素管理的忽視。因此，建立一個實用的sICH預后風險預測模型至關重要，可以實現(xiàn)更精準的管理和改善患者的治療效果。

這項研究回顧性收集了2018年1月至2022年3月在合肥市第二人民醫(yī)院神經(jīng)內科收治的413例sICH患者，并將其納入研究樣本。驗證樣本由2022年12月至2023年5月在安徽醫(yī)科大學第一附屬醫(yī)院神經(jīng)內科收治的74例sICH患者組成，用于訓練、驗證和測試機器學習模型。

這項研究包括在入院時收集的sICH患者的臨床相關特征，涵蓋了人口學特征、既往病史、實驗室檢查和影像學數(shù)據(jù)。連續(xù)變量經(jīng)過標準化處理，分類變量采用一次性編碼方法。通過遞歸特征消除方法，研究篩選出最優(yōu)子集，以獲得最有利的特征組合。隨后，這些優(yōu)化的特征被集成到五個機器學習模型中，包括邏輯回歸（LR）、隨機森林（RF）、支持向量機（SVM）、梯度提升決策樹（LightGBM）和極限梯度提升（XGBoost）。使用內部五重交叉驗證確定每個模型的最適超參數(shù)，并通過內部測試集來識別表現(xiàn)優(yōu)異的機器學習模型。最后，通過外部五折交叉驗證選取平均性能最佳的模型作為最終模型，并進行外部驗證。通過ROC曲線、準確性及其它相關指標全面評估機器學習模型的性能。通過SHAP圖闡明模型中各變量的重要性，從而確定最精簡的特征組合，進而建立實用的預后預測平臺。

表1提供了訓練集和外部測試集數(shù)據(jù)之間基線特征的比較。在大多數(shù)特征上，訓練集和外部測試集之間沒有顯著差異。高血壓患者、AST水平、GCS評分在外部測試集中的數(shù)值明顯高于訓練集（91.89% VS 72.64%，P<0.001；32.31±21.13 VS 26.42±12.17，P=0.022；12.86±3.42 VS 13.70±3.08，P=0.047）。相反，飲酒患者、腦室內出血發(fā)生率、尿酸水平、NIHSS評分這些特征的訓練集比例明顯高于外部測試集比例（28.57% VS 13.51%，P=0.007；24.32% VS 9.2%，P<0.001；351.04±123.55 VS 266.43±105.84，P<0.001；10.08±9.73 VS 7.59±8.56，P=0.040）。

表2描述了訓練集中sICH患者不同癥狀的組間差異。中老年患者與腦室內出血發(fā)生率這兩個特征的預后不良組比例明顯高于預后良好組比例（56.1% VS 44.2%，P=0.016；48.9% VS 11.2%，P<0.001）。此外，兩組之間的血腫量也有顯著差異（P=0.000）。

這項研究采用遞歸特征消除法策略進行特征篩選，以此確定了最佳子集包括NIHSS評分、AST水平、年齡、白細胞、血腫量、尿氮、中性粒細胞、葡萄糖、肌酐、收縮壓、ALT水平、淋巴細胞、舒張壓、尿酸和GCS評分。

內部測試集中所有模型的AUC范圍在0.85至0.95之間，其中RF模型最有效（AUC：0.916，95%CI：0.859~0.972）（圖1）。在外部五折交叉驗證期間，RF的平均性能排名最高（AUR：0.906±0.029）（圖2）。表3說明了不同機器學習預測模型之間常見性能指標的比較。基于這些結果，選擇RF模型作為最終風險預測模型。而且RF模型的性能在外部測試集中依舊保持穩(wěn)定（AUR：0.817，95%CI：0.705~0.928）（圖3）。

本研究根據(jù)SHAP圖可視化預測變量對結果的影響。具體來說，變量對結果的影響可以通過SHAP值的大?。ㄓ深伾兓甘荆┖妥兞縳軸上的趨勢（出現(xiàn)不良結果的概率）來直觀地解釋。例如，在NISS評分的情況下，與NISS評分較低的人（以藍色表示）相比，評分較高的人（以紅色表示）更容易出現(xiàn)不良預后（右側）。同樣，對于AST水平升高的個體（紅色），sICH患者的預后可能不利（右側）。對于那些血腫量不是>20 ml（以藍色表示）（位于右側）的個體來說，sICH患者的預后可能不利（圖4）。

本研究還利用RF模型中的變量重要性和變量組合構成的模型預測數(shù)據(jù)，繪制了組合AUC和變量重要性的折線圖。從圖中可以看出，NIHSS評分、AST水平、年齡、白細胞和血腫量等特征的合并能夠達到優(yōu)化和簡化的預測效果（圖5）?；谶@五項指標構建了網(wǎng)絡計算器（圖6），促進sICH患者預后風險的個性化預測。（https://surge-ustc.shinyapps.io/hemorrhage_ predicate/）

這項研究基于RF模型的結果構建了一個預測模型，其中納入了五個臨床上可獲得的預測因子，對sICH患者的短期預后具有可靠的預測功效。同時，外部驗證集的性能也更加穩(wěn)定，可用于準確預測sICH患者的短期預后。