基于CT深度学习与临床参数融合模型预测自发性脑出血差异化出院结局的研究

　　本研究针对自发性脑出血（sICH）预后预测难题，通过整合CT影像深度学习与临床变量，构建混合预测模型。结果表明，该模型在预测mRS 3-6、mRS 4-6及mRS 5-6等不同结局阈值时均显著优于单一模型（最高AUC达0.897），为临床决策提供了精准量化工具。

　　

为提升自发性脑出血（spontaneous intracerebral hemorrhage, sICH）的预后预测精度，本研究系统对比了三种预测模型：基于计算机断层扫描（CT）的深度学习模型、基于临床变量的机器学习模型，以及融合二者优势的混合模型。研究重点评估了这些模型在不同结局阈值下的性能表现，包括不良结局（modified Rankin Scale, mRS 3–6）、丧失独立性（mRS 4–6）以及严重残疾或死亡（mRS 5–6）。

通过对2008至2021年间卒中中心数据库收录的1,853例sICH患者进行回顾性分析，研究人员将数据划分为两个子集：数据集A（958例）用于临床模型与混合模型的训练及测试，数据集B（895例）专用于深度学习模型的训练。影像模型采用带有注意力模块的三维残差网络（3D ResNet-50）架构，临床模型则整合了19项临床变量。混合模型创新性地将临床数据与影像模型的预测概率进行融合。模型性能通过DeLong检验进行统计学比较。

结果显示，混合模型在所有结局阈值上均持续优于其他模型。在预测严重残疾/死亡、丧失独立性及不良结局时，混合模型的准确率分别达到82.6%、79.5%和80.6%，其受试者操作特征曲线下面积（AUC）相应为0.897、0.871和0.873。格拉斯哥昏迷评分（Glasgow Coma Scale, GCS）与影像模型预测概率被识别为最具预测价值的因子。

结论表明，融合CT深度学习与临床变量的混合模型能够为sICH预后提供更优越的预测效能。这种整合策略展现出优化临床决策流程的潜力，但仍需通过前瞻性研究进一步验证其普适性。注：本研究为回顾性分析，未进行临床试验注册。