基于局部线性模型的尿动力学检查自动评估方法：在脊髓损伤患者中的验证

《IEEE Journal of Translational Engineering in Health and Medicine》：Automated Evaluation of Urodynamic Examinations Through Local Linear Models: Validation on Spinal Cord Injury Individuals

本研究针对脊髓损伤(SCI)患者尿动力学检查中通尿肌过度活动(DO)诊断主观性强、工作量大等问题，开发了一种基于自主线性状态空间模型(ALSSM)的自动检测管道。该方法通过局部线性模型拟合结合临床知识驱动的阈值标准，实现了DO事件的高精度识别（患者级诊断准确率100%）及膀胱顺应性等关键参数的自动计算（分类准确率88%）。该算法为尿动力学评估提供了可解释、标准化的自动化解决方案，有望提升神经源性下尿路功能障碍(NLUTD)的诊疗效率。

　　

对于脊髓损伤(Spinal Cord Injury, SCI)患者而言，神经源性下尿路功能障碍(Neurogenic Lower Urinary Tract Dysfunction, NLUTD)是导致其生活质量下降和过早死亡的主要因素之一。其中，通尿肌过度活动(Detrusor Overactivity, DO)是一种常见的并发症，表现为膀胱充盈期出现不自主的通尿肌收缩。目前，DO的诊断主要依赖于尿动力学研究(Urodynamic Study, UDS)中的膀胱内压测定(Cystometry)，这是一项耗时且繁琐的工作。临床医生需要手动审阅长达30分钟的多通道信号数据，不仅工作量大，而且由于信号中存在的噪声、伪影（如压力漂移、直肠收缩、肌肉紧张等）以及医生主观判断的差异，诊断结果常常存在不一致性。有研究表明，在儿童DO诊断中，临床医生之间的不一致率高达43%。因此，开发一种能够自动、客观、准确地评估尿动力学检查的方法，对于减轻医生负担、标准化诊断流程、改善SCI患者的管理具有重要意义。

为了解决上述问题，来自苏黎世联邦理工学院脊髓损伤与人工智能实验室等机构的研究人员开展了一项研究，旨在开发一个自动化管道，用于辅助泌尿科医生诊断DO并从膀胱内压测定数据中自动提取关键临床测量指标。该研究提出了一种基于局部线性模型拟合和阈值筛选的两阶段方法，并在77例来自SCI患者的匿名尿动力学样本上进行了验证。相关研究成果发表在《IEEE Journal of Translational Engineering in Health and Medicine》上。

研究人员为开展本研究，主要应用了以下几个关键技术方法：首先，对采集自瑞士截瘫中心的77例匿名样本（40例DO阳性，37例DO阴性，共158个标注的DO事件）进行预处理，包括使用移动平均滤波器平滑压力信号，以及处理充盈期起始和结束时的静息压力漂移。核心方法是采用自主线性状态空间模型进行局部线性模型拟合，通过计算局部成本比(Local Cost Ratio, LCR)来检测通尿肌压力(P_det)通道中的峰值。然后，基于临床定义和已知伪影，设置了四项阈值标准（涉及P_det振幅、P_det与膀胱内压(P_ves)的同步性、P_det与腹压(P_abd)的负相关性、P_ves与P_abd的同步性）来筛选真实的DO事件。在识别DO峰值后，进一步利用改进的ALSSM分割模型来界定每个DO事件的开始和结束时间点（即活动期）。最后，基于识别出的时间点，自动计算最大通尿肌压力、首次及最强DO事件时的充盈体积、膀胱顺应性(Bladder Compliance)以及DO事件期间压力曲线下面积(Area Under the Curve, AUC)等临床测量指标。

DO事件检测

在模型开发数据集上，所提出的方法在患者级别的DO诊断中达到了100%的敏感度和90%的特异度，总体准确率为95%。在单个DO事件检测层面，平均精确度为0.76，召回率为0.92，F1分数为0.78。在独立验证数据集上，DO事件检测的精确度提升至0.94，召回率为0.72，F1分数为0.76。患者级别的诊断敏感度和特异度均达到100%。这表明该方法能够非常可靠地从患者层面判断是否存在DO。

通尿肌活动期识别

除了检测DO事件峰值外，该方法还能准确标记出每个DO事件的活动持续时间。在模型开发集上，活动期识别的精确度为0.76，召回率为0.95，F1分数为0.80。在验证集上，精确度、召回率和F1分数分别达到0.86、0.88和0.86。这表明该方法不仅能找出DO事件，还能较准确地勾勒出其发生的时间范围，为后续的参数计算提供了基础。

膀胱顺应性估计

膀胱顺应性是评估膀胱壁弹性的重要指标，其计算依赖于选择正确的评估时间点。研究人员比较了基于点值(Point-value-based)和基于直线拟合(Line-fitting-based)两种方法来自动计算膀胱顺应性。在验证集上，对于膀胱顺应性低于50 ml/cmH₂O的患者，点值法的中位数绝对误差(Median Absolute Error, MAE)为5.20 ml/cmH₂O，而直线拟合法为7.14 ml/cmH₂O。此外，该方法将膀胱功能分为正常顺应性(>40 ml/cmH₂O)、低顺应性(13-40 ml/cmH₂O)和严重低顺应性(<13 ml/cmH₂O)三类，在验证集上的分类准确率达到88%。这表明该方法在自动评估膀胱功能状态方面具有很好的临床应用潜力。

其他测量指标

该自动化管道还能够输出其他多项指标，如DO事件的最大通尿肌压力、首次和最强DO事件发生时的充盈体积、以及DO事件期间P_det和P_ves的AUC。图5展示了两个DO阳性案例的自动分析结果，包括检测到的DO事件、标记的活动期以及六项自动计算的测量值，体现了该方法的全面性和实用性。

本研究成功开发并验证了一种基于局部线性模型和临床知识驱动阈值法的尿动力学检查自动评估管道。该方法的优势在于其可解释性强，所有模型参数都具有明确的临床意义，便于理解和调整，这与“黑箱”机器学习模型形成鲜明对比。研究结果表明，该方法在DO事件检测、活动期识别以及膀胱功能参数自动计算方面均表现出色，为尿动力学评估提供了一种客观、高效、标准化的解决方案。

尽管取得了显著成果，本研究也存在一些局限性。首先，样本量相对较小（40例DO阳性），且数据均来自单一中心，可能限制了模型的泛化能力。未来需要在更广泛的人群（如其他神经源性疾病或非神经源性患者）中进行验证。其次，现实世界中的数据变异性较大，不同类型的DO（如阶段性DO）可能对模型的检测性能提出挑战，尤其是在识别连续发生的DO事件的起始和结束点时。此外，如何将患者的临床信息（如损伤水平、损伤程度）整合到管道中，以进一步提高对不同亚组患者的适应性，是未来的研究方向之一。

该研究的临床意义重大。自动化评估不仅能够显著减轻泌尿科医生的工作负担，减少诊断的主观差异，而且引入的AUC等新指标可能为DO的严重程度评估和预后判断提供更优的量化依据。此外，该算法计算高效，为未来实现实时检测和动态干预（如用于抑制通尿肌过度活动的闭环刺激系统）奠定了基础，有望最终改善SCI患者的下尿路管理策略和生存质量。总之，这项研究为尿动力学领域贡献了一个透明、可解释且性能优异的自动化工具，推动了临床实践向更客观、标准化的方向迈进。