综述：机器学习用于预测内镜下第三脑室造瘘术成功率的系统评价与荟萃分析

本综述系统评估了机器学习（ML）模型在预测内镜下第三脑室造瘘术（ETV）成功率中的应用，并与传统工具ETV成功率评分（ETVSS）和逻辑回归（LR）模型进行对比。分析表明，ML模型仅表现出中等预测效能（AUC=0.63），且未显著优于传统方法。研究强调当前ML模型存在高异质性和方法学局限性，需通过多中心研究和标准化验证提升临床适用性。

　　

背景

内镜下第三脑室造瘘术（ETV）是治疗儿童梗阻性脑积水的常用术式，但其成功率受多种因素影响，传统预测工具如ETV成功率评分（ETVSS）和逻辑回归（LR）模型虽广泛应用，但预测精度有限（AUC多低于0.70）。近年来，机器学习（ML）技术在医疗预测领域展现出潜力，但其在ETV成功率预测中的效能尚缺乏系统评估。

方法

本研究遵循PRISMA指南，系统检索五大数据库（PubMed、Embase等），纳入使用ML算法预测ETV成功率并报告受试者工作特征曲线下面积（AUC）的研究。ETV成功定义为术后6个月内无脑积水症状复发、再手术或死亡。最终纳入4项研究，共3087例儿科患者，采用随机效应模型进行荟萃分析。

结果

ML模型的总体 pooled AUC为0.63（95% CI 0.56–0.70），但异质性极高（I²=96%）。亚组分析显示，包含影像学特征（如额枕角比率、第三脑室宽度）的模型AUC略高（0.74, 95% CI 0.61–0.88）。ML模型与ETVSS（MD=0.03, p=0.65）或LR模型（MD=0.03, p=0.45）均无显著差异。最佳性能模型为人工神经网络（ANN），AUC达0.87，但仅基于单中心小样本数据。

讨论

当前ML模型预测ETV成功率仅具中等效能，且未超越传统方法。异质性主要源于患者人群差异（脑积水利因、年龄）、算法类型（ANN、XGBoost、SVM等）及变量选择（是否包含影像特征）。研究存在方法学局限：样本量小、过拟合风险、缺失数据处理不足及外部验证缺乏。未来需通过多中心合作、标准化变量（如加入脑桥前粘连、中脑导水管形态等特征）和优化验证策略（如十倍交叉验证）提升模型泛化能力。

结论

机器学习在ETV成功率预测中尚未展现显著临床优势，需进一步优化算法设计与验证框架。推动大规模、多中心研究及标准化报告规范（如TRIPOD、APPRAISE-AI）是提升模型可靠性和临床应用价值的关键。