预测模型与评分系统在动脉瘤性蛛网膜下腔出血后延迟性脑缺血中的应用：基于十年前瞻性观察数据的分析

《Brain and Spine》：Predictive Model and Scoring System for Delayed Cerebral Ischemia Following Aneurysmal Subarachnoid Hemorrhage: A Ten-Year Prospective Analysis of Observational Data

本研究纳入2015-2024年524例SAH患者，通过多变量逻辑回归分析发现7个独立预测DCI因素，包括年龄<55岁、Fisher III-IV级、病理血压/体温、躁动、新神经 deficit及GCS下降≥2分。开发DCISS评分系统（AUC 0.89），风险分层（低0-3分，中4-7分，高8-13分，极高≥14分），与不良预后显著相关。

　　在医学领域，脑动脉瘤破裂引起的蛛网膜下腔出血（aSAH）是一种严重的脑血管急症，全球范围内每10万人每年发生率约为9例。这种疾病不仅导致高死亡率（25-35%），还使三分之一的幸存者出现显著的功能障碍。aSAH的高发病率和高致残率使其成为神经外科领域的重要研究课题。在这些患者中，血管痉挛（vasospasm）是一种常见的并发症，通常在出血后第3至第14天出现。虽然放射学上可以检测到血管痉挛，但只有约20-30%的患者会发展为延迟性脑缺血（DCI），这是一种由血管痉挛引发的临床恶化，表现为新的神经功能缺失或脑梗死，且与多种潜在原因无关。DCI是影响患者预后的重要因素，因此，建立一种能够有效预测DCI风险的模型具有重要的临床意义。

当前，已有的预测模型大多基于静态的入院参数，缺乏对患者病情动态变化的评估，这限制了及时干预的可能性。为了弥补这一不足，本研究旨在开发和验证一种整合了基线和动态预测因素的模型，以提高对DCI的预测能力。通过纳入入院时的基线特征以及住院期间的临床变化，该模型能够实现对DCI的早期识别，为临床干预提供关键的时间窗口。

研究的数据来源于2015年至2024年间，一所神经外科诊所收治的524例aSAH患者的回顾性分析。这些患者在入院时接受了标准化的神经影像学检查，并在治疗后进行了随访。研究采用了多变量逻辑回归分析，识别出七个与DCI独立相关的预测因素：年龄小于55岁、改良Fisher分级3-4级、病理学血压值、病理学体温、烦躁不安、新的神经功能缺失以及GCS评分下降≥2分。这些因素在临床评估中具有重要意义，其中年龄小于55岁、改良Fisher分级3-4级、GCS评分下降≥2分是预测DCI的最强指标。

模型的性能评估显示，该模型具有良好的区分能力，AUC（曲线下面积）为0.89，95%置信区间为0.86-0.92，表明其在预测DCI方面的准确度较高。在最优截断值≥8分时，模型的敏感度为88.5%，特异性为82.0%。根据模型结果，患者被分为四个风险等级：低风险（0-3分，3.2%的DCI发生率）、中等风险（4-7分，18.5%）、高风险（8-13分，46.7%）和极高风险（≥14分，82.5%）。高风险评分与较差的预后显著相关，包括出院时和3个月随访时的mRS（改良Rankin量表）评分≥3，这表明该模型在预测临床结局方面也具有重要价值。

研究还对模型的临床应用进行了探讨。DCISS（延迟性脑缺血评分系统）的开发基于多变量模型中的回归系数，每个独立预测因子根据其回归系数分配相应的分数。这一评分系统不仅有助于对患者进行风险分层，还能为临床决策提供支持，如是否需要进行更频繁的神经检查、经颅多普勒超声检查，或考虑预防性干预。此外，该系统还可用于资源分配，如将高风险患者优先安排在高依赖病房，或选择需要高级神经影像学监测的患者。

尽管DCISS显示出良好的预测性能，但研究也指出了一些局限性。首先，由于研究是在单一中心进行的，其结果可能受到机构特定实践和患者群体的影响，因此需要在不同临床环境中进行外部验证。其次，某些潜在的预测因素，如特定的生物标志物或先进的影像学参数，尚未被纳入分析，这可能影响模型的预测准确性。此外，模型使用了逐步逻辑回归分析，并对连续变量进行了二分类处理，这可能在一定程度上降低模型的稳健性。因此，未来的研究应考虑采用连续变量建模和更现代的验证技术。

研究还提到，DCISS的开发为aSAH患者的临床管理提供了新的工具。通过结合基线因素和动态临床指标，该系统能够更全面地评估DCI的风险，从而支持个性化治疗策略。对于高风险患者（DCISS≥8分），建议优化血流动力学参数、谨慎管理血压和积极控制发热。而对于极高风险患者（DCISS≥14分），可能需要考虑预防性干预，如经皮球囊血管成形术，以及针对炎症反应的新兴药物疗法，如磷酸二酯酶抑制剂、内皮素受体拮抗剂和自由基清除剂。

从研究的临床意义来看，DCISS的开发不仅有助于提高对DCI的识别能力，还能为改善aSAH患者的预后提供依据。模型与患者预后之间的显著相关性表明，高风险评分的患者需要更积极的干预措施，以减少不良结局的发生。同时，该系统也为未来的临床试验提供了标准化的工具，使研究者能够更精确地选择患者，提高研究的统计效力。

在讨论中，研究还强调了DCISS的潜在应用价值。首先，该系统可以用于早期识别高风险患者，从而实现针对性的监测和干预。其次，它能够为医疗资源的分配提供客观标准，例如将高风险患者优先安排在高依赖病房，或安排更频繁的神经影像学检查。此外，DCISS可能在评估新型aSAH和DCI预防策略的临床试验中发挥重要作用，为研究者提供一个统一的风险评估工具。

未来的研究方向包括进一步验证DCISS的临床价值，特别是在多中心、前瞻性研究中。此外，将新的生物标志物和影像学技术整合到预测模型中，可能会提高预测的准确性。机器学习方法也被视为一种可能的工具，以识别传统统计方法难以捕捉的复杂模式。通过分析长期的临床数据、神经影像学参数和生物标志物，人工智能算法可能在预测DCI方面提供更精确的评估。

总之，这项研究为aSAH患者提供了新的预测工具，有助于提高对DCI的识别能力，并支持个性化的临床管理。尽管目前的研究仍存在一些局限性，但DCISS的开发标志着在预测和预防aSAH相关并发症方面的重要进展。通过进一步的验证和整合新的诊断技术，该模型有望成为临床实践中不可或缺的一部分，从而改善患者的预后并减少相关并发症的发生。