肥胖患者在接受减肥手术前后腰痛、功能障碍及矢状面脊柱对齐情况的比较研究

《Clinical Neurology and Neurosurgery》：Low back pain, disability and sagittal alignment of obese patients before and after bariatric surgery: A comparative study

　　基于988例自发性脑出血（SICH）患者的多中心研究，通过XGBoost等机器学习算法整合临床、影像及实验室数据，发现抗凝剂暴露、脑室出血（68.75%）、幕下血肿（17.19%）及炎症指标（D-二聚体、白细胞计数）是VTE关键预测因素。模型验证显示XGBoost训练集AUC 0.87，测试集0.80，优于传统评估工具。

　　

李圆友|田瑞|刘科佳|吴发天|冯天宇|刘毅|赵超|郭瑞

四川大学华西第二医院儿科神经外科，成都，中国

摘要

这项多中心回顾性研究旨在开发和验证用于预测自发性脑内出血（SICH）后静脉血栓栓塞症（VTE）的机器学习模型。研究纳入了988名SICH患者（其中748名来自华西医院用于模型开发，240名来自乐山人民医院用于外部验证），并结合了全面的临床、影像学和实验室参数。使用3:1的训练-测试分割方法和外部验证方法评估了包括XGBoost在内的五种机器学习算法。

结果

结果显示，抗凝药物使用量较大（p < 0.05）、脑室内出血（68.75% vs 51.32%）和脑底叶受累（17.19% vs 7.6%）的患者VTE发生率显著更高。VTE患者的血肿体积更大（33.5 ± 7.2 mL vs 25.0 ± 6.8 mL），心率更快（88.0 ± 14.2 bpm vs 82.0 ± 12.1 bpm），格拉斯哥昏迷量表（GCS）评分更低（8.0 ± 3.1 vs 13.0 ± 2.8），炎症标志物水平升高。外部验证证实了这些发现，VTE病例中年龄较大、血肿较大和D-二聚体水平较高。XGBoost表现出更好的预测性能（AUC：训练集0.87，测试集0.81，验证集0.80），SHapley Additive Explanations（SHAP）分析确定D-二聚体、血肿体积和中性粒细胞计数为关键预测因子。结论：XGBoost通过多维度数据整合在预测SICH后VTE方面优于传统方法，为个性化风险分层和临床预防策略提供了可靠的工具。

引言

自发性脑内出血（SICH）是一种破坏性的中风类型，其特征是脑实质出血，约占中风病例的20%。尽管其发病率不是最高的中风类型，但死亡率却是最高的[1]。静脉血栓栓塞症（VTE），包括深静脉血栓形成（DVT）和肺栓塞（PE），可能会进一步恶化预后并导致额外的并发症[2]。然而，脑内出血（ICH）患者的VTE风险是急性缺血性中风的2-4倍[3]。SICH后VTE发生的病理生理机制复杂且多因素，涉及不动、内皮功能障碍、炎症和高凝状态[4]。传统上，使用临床预测规则（如Caprini VTE风险评估模型或Padua预测评分）来评估SICH患者的VTE风险。这些工具依赖于一组预定的风险因素（如年龄、不动和既往VTE病史）来估计VTE的发生可能性[5]。虽然这些风险评估工具在识别高风险患者方面很有价值，但它们往往无法捕捉可能导致VTE发展的多种变量之间的复杂相互作用。近年来，机器学习算法通过利用人工智能的力量分析大型和多样化的数据集，为传统风险评估工具提供了有希望的替代方案[6]。这些算法可以识别数据中的隐藏模式和关系，从而开发出更准确的预测模型[7]、[8]。因此，机器学习（ML）算法已成为各种医学领域预测建模的有前景的工具。本文旨在探索机器学习算法在预测自发性脑内出血后静脉血栓栓塞症方面的潜力，并比较不同机器学习模型的准确性。通过利用ML的力量，我们希望改善SICH患者的VTE早期检测和预防，最终提高治疗效果和患者护理质量。

研究部分概述

患者

我们进行了一项多中心回顾性研究，随访时间为2年，分析了2019年1月1日至2020年12月31日期间入住华西医院和乐山人民医院的SICH患者的数据。SICH的诊断通过在入院后24小时内进行头部计算机断层扫描（CT）来确认。所有在此期间连续诊断并随访超过3个月的患者均被纳入进一步分析。排除标准如下：（1）出院

数据收集

本研究遵循《赫尔辛基宣言》的指南，并得到了华西医院伦理委员会的批准。用于开发机器学习模型的数据来自电子医疗记录，包括人口统计信息、病史、生命体征、影像学结果和治疗方法。

机器学习算法

首先，通过使用递归特征消除与交叉验证（RFECV）获得了每个模型的最佳特征组合。RFECV包括两个部分：递归特征消除（RFE）和交叉验证。RFE通过递归考虑越来越小的特征集来选择特征，给定一个外部估计器[9]。对于每种机器学习算法，估计都是在包含所有37个变量的初始特征集上进行的，每个特征的重要性

建模数据集的基线特征

在建模队列中，64名患者（8.56%）在SICH后发生了VTE。基线特征在组间存在显著差异，VTE患者的抗凝药物使用量明显更高（9.38% vs 1.9%；p < 0.001），脑室内出血（IVH）的发生率更高（68.75% vs 51.32%；p = 0.011），脑底叶出血的患病率也更高（17.19% vs 7.6%；p = 0.024）。临床上，VTE病例的特点是血肿体积较大

讨论

本研究旨在利用988名患者的临床、影像学和实验室数据开发和验证预测SICH后VTE的ML模型。XGBoost算法成为最佳模型，在训练集中的AUC为0.87，在外部验证数据集中的AUC为0.80。关键预测因子包括D-二聚体、血肿体积、白细胞计数和出血位置，这与Virchow三联征框架（内皮损伤、高凝状态、静脉淤滞）一致[11]、[12]。

本研究

结论

使用10个临床和实验室特征开发的XGBoost模型能够有效预测SICH后的VTE，并在不同数据集间具有出色的泛化能力。关键预测因子包括D-二聚体、血肿严重程度和炎症标志物，为临床风险分层和早期干预提供了可靠的工具。

作者贡献声明

郭瑞：数据整理、概念构思。赵超：验证。田瑞：调查、正式分析。李圆友：撰写——初稿、验证。刘毅：监督。冯天宇：软件实现。吴发天：软件实现。刘科佳：软件实现、方法学设计。

出版同意

所有作者同意发表本文。

资金

本研究未获得外部资助。

致谢

感谢四川大学华西医院和乐山人民医院提供的数据支持。