深度学习策略预测外周动脉疾病患者保肢生存期的创新研究

《European Journal of Vascular and Endovascular Surgery》：Deep Learning Strategies for Predicting Amputation Free Survival in Patients with Peripheral Artery Disease

本研究针对传统Cox比例风险(CPH)模型在预测外周动脉疾病(PAD)患者保肢生存期(AFS)方面的局限性，系统评估了多种生存机器学习(ML)模型。研究人员通过回顾性队列分析发现，非线性CPH(NLCH)模型在校准方面表现最佳(综合Brier评分0.095)。该研究开发了整合疾病状态(慢性威胁肢体缺血/跛行)、糖尿病等关键预测因子的风险分层工具，为PAD临床决策提供了新支持。

　　

在血管外科领域，外周动脉疾病(Peripheral Artery Disease, PAD)是一种常见的血液循环障碍，严重影响患者的生活质量并可能导致截肢甚至死亡。对于接受血管重建手术的PAD患者而言，准确预测其保肢生存期(Amputation Free Survival, AFS)——即患者既未经历截肢也未死亡的时间——具有至关重要的临床意义。传统上，医学研究者们依赖于Cox比例风险(Cox Proportional Hazards, CPH)模型来进行此类生存分析。然而，CPH模型建立在若干假设之上，包括风险比例恒定以及预测变量与结果之间呈线性关系，这些假设在复杂的真实世界临床数据面前往往显得过于理想化。临床实践中，PAD患者的预后受到多种因素（如糖尿病状况、疾病严重程度、治疗方案等）交织影响，这些因素之间可能存在非线性关系或交互作用，而CPH模型在捕捉这些复杂模式时能力有限。此外，在分析AFS时，死亡是一个典型的“竞争风险”事件，因为患者一旦死亡，其发生截肢的风险便不复存在，简单地将死亡视为截尾数据可能带来估计偏差。因此，探索能够更灵活、更准确处理现代医疗数据集的先进机器学习(Machine Learning, ML)模型，成为提升PAD患者预后预测能力的一个迫切需求。

为了应对这一挑战，由Sébastien Goffart、Odette Hart、Fabien Lareyre、Lisa Guzzi、Kak Khee Yeung、Hervé Delingette、Manar Khashram和Juliette Raffort组成的研究团队，进行了一项旨在基准测试多种替代性生存机器学习模型性能的研究。他们的研究成果发表在《European Journal of Vascular and Endovascular Surgery》上。该研究的核心目标是评估这些先进模型在预测PAD患者AFS方面的表现，特别是它们捕捉非线性关系和交互作用的能力，重新评估关键预测因素的重要性，并最终开发一个可用于患者个体化风险分层的原型工具。

本研究主要采用了回顾性队列数据分析方法。研究队列来源于新西兰怀卡托医院2010年至2021年间接受血管重建术的2366名有症状PAD患者。数据分析技术层面，研究团队系统性地比较了两大类生存模型：非竞争风险模型（包括传统CPH、条件生存森林Conditional Survival Forest、随机生存森林Random Survival Forest和非线性CPHNon-Linear CPH, NLCH）和竞争风险模型（包括Fine and Gray亚分布风险模型和DeepHit模型）。模型构建与评估采用五折交叉验证，训练集与验证集按80/20比例划分，并依据中位截肢时间进行分层。模型性能通过一致性指数(Concordance Index)和综合Brier评分(Integrated Brier Score)进行量化评价。

结果

模型性能比较

在五折交叉验证的验证集上，各模型预测AFS的一致性指数均值如下：传统CPH模型为0.693（95%置信区间CI 0.674 – 0.711）；条件生存森林模型为0.707（95% CI 0.664 – 0.750）；随机生存森林模型为0.704（95% CI 0.667 – 0.741）；非线性CPH模型为0.704（95% CI 0.689 – 0.719）；Fine and Gray模型为0.619（95% CI 0.556 – 0.671）；DeepHit模型为0.667（95% CI 0.656 – 0.674）。在校准度方面，即预测概率与实际发生概率的匹配程度，非线性CPH模型表现出色，其综合Brier评分显著低于其他模型，为0.095（95% CI 0.092 – 0.098），表明该模型具有更优的校准能力。

特征重要性分析

研究人员通过分析模型的特征重要性，识别出了影响PAD患者AFS的关键预测因素。最重要的预测因子包括疾病状态（是慢性威胁肢体缺血Chronic Limb Threatening Ischaemia, CLTI还是间歇性跛行Claudication）、是否患有糖尿病以及所接受的药物治疗方案。这一发现有助于临床医生聚焦于对患者预后最具影响力的因素。

风险预测工具开发

基于上述发现，研究团队成功开发了一个整合了关键预测因子的原型工具，该工具旨在对PAD患者进行个体化的风险分层，从而为临床决策提供更直观、更具针对性的支持。

综上所述，本研究通过严谨的基准测试表明，机器学习模型，特别是非线性CPH模型，在预测PAD患者保肢生存期方面相较于传统CPH模型展现出潜在优势，尤其是在模型校准方面。研究不仅确认了疾病状态、糖尿病等关键预测因子，还将这些发现转化为一个实用的风险分层工具原型。这项工作标志着在利用先进数据分析技术提升PAD患者临床管理精度方面迈出了重要一步，为实现更个性化的医疗决策提供了有力工具。然而，作者也谨慎地指出，这些模型在投入常规临床实践之前，仍需在独立的外部数据集上进行进一步验证，以确保其普适性和可靠性。这项研究为血管外科预后研究开辟了新的方向，展示了机器学习在处理复杂临床数据、挖掘深层规律方面的巨大潜力。