10.3760/cma.j.cn112050-20210705-00323
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
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。
颅脑损伤、脑积水、脑室腹膜分流术、机器学习
37
上海市"脑与类脑智能基础转化应用研究"市级重大科技专项2018SHZDZX01;Shanghai Municipal Science and Technology Major Project2018SHZDZX01
2023-05-30(万方平台首次上网日期,不代表论文的发表时间)
共5页
1209-1213