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

摘要：

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.

关键词：颅内动脉瘤、蛛网膜下腔出血、预后、人工智能、算法、ROC曲线

所属期刊栏目：22

分类号：TP391.41;R737.9;P4

资助基金：国家自然科学基金81102447

在线出版日期：2023-04-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：841-849