机器学习模型对脑室-腹腔分流术治疗颅脑创伤后脑积水患者预后的预测价值

作者：谷川弘美; 臧迪; 王哲; 齐曾鑫; 胡锦; 虞剑; 孙一睿; 朱侗明; 吴雪海^*

来源：中华神经外科杂志, 2021, 37(12).

• 颅脑损伤
• 脑积水
• 脑室腹膜分流术
• 机器学习

目的探讨机器学习模型在预测脑室-腹腔分流术(VPS)治疗颅脑创伤后脑积水患者预后中的价值。方法回顾性分析2013年1月至2019年7月复旦大学附属华山医院神经外科收治的因创伤后脑积水行VPS患者的临床资料, 共94例。比较分流术前与分流术后出院时最后一次格拉斯哥昏迷评分(GCS)变化, 确定进步组(GCS提高≥1分)和未进步组(GCS提高<1分)。采用传统的统计学方法, 比较两组患者的年龄、性别、住院时间, 颅内感染、后颅窝病变、脑室出血、颅骨缺损、脑室压力及脑积水类型(低压性脑积水和正常压力性脑积水)的差异。采用Python 3.6和scikit-learn 0.23工具包进行机器学习分析, 采用logistic回归算法作为机器学习分析的基本算法, 随机进行训练测试拆分, 其中70%的数据(65例)为训练集, 30%的数据(29例)为测试集。分析上述危险因素对分流术后患者预后的预测作用。结果传统统计学结果显示, 与未进步组比较, 进步组患者的年龄大、分流术前的GCS低, 差异均有统计学意义(均P<0.05);而颅内感染、后颅窝病变、脑室出血及颅骨缺损的发生率, 以及住院时间、脑室压力、低压性脑积水, 两组比较差异均无统计学意义(均P>0.05)。机器学习模型预测结果显示, 在训练集预测VPS术后临床进步的准确率为(67.4±20.0)%, 曲线下面积(AUC)为0.69±0.18;而测试集分别为62.1%、0.71。与临床诊断比较, 基于机器学习模型预测VPS治疗脑创伤后脑积水不良预后的总体准确率为68.1%(64/94), 灵敏度为71.4%(30/42)、特异度为65.4%(34/52), AUC为0.89(χ2 = 12.600, P<0.001)。机器学习预测模型的权重分析显示, 低压性脑积水占50.8%、分流术前的GCS占22.7%、颅内感染占13.2%、颅骨缺损占9.7%。结论与传统统计学方法比较, 基于机器学习的预测模型可捕捉到统计效应更微小的临床指标, 对颅脑创伤后脑积水不良预后的预测价值更大。

• 单位
  复旦大学附属华山医院