利用LASSO-Boruta特征选择方法，开发了一种用于评估血管内治疗动脉瘤性蛛网膜下腔出血患者出院后1年内全因死亡率的预测模型

《Neurological Research》：Development of a pre-discharge model for 1-year post-discharge all-cause mortality after endovascular treatment for aneurysmal subarachnoid haemorrhage using LASSO–Boruta feature selection

本研究旨在建立自发性脑动脉瘤蛛网膜下腔出血（aSAH）患者血管内治疗后预出院模型，预测1年全因死亡率。采用LASSO结合Boruta算法筛选出年龄、mWFNS分级、ICU住院时长、C反应蛋白及单核细胞/高密度脂蛋白比值5个关键变量，比较6种机器学习模型，发现随机森林（RF）模型在训练集和外部验证集（692例）中AUC最优，决策曲线分析显示临床应用价值显著，SMOTE过采样技术进一步提升了模型泛化能力。

　　

摘要

目的

开发一种出院前模型，用于预测接受血管内治疗（EVT）后动脉瘤性蛛网膜下腔出血（aSAH）患者出院后1年内的全因死亡率。

方法

我们回顾性分析了2021年4月至2023年4月期间从中国四个神经介入中心出院的947名aSAH患者作为训练队列。候选变量通过最小绝对收缩选择算法（LASSO）结合Boruta算法进行筛选。基于这些特征，我们开发并比较了六种模型：逻辑回归（LR）、XGBoost、随机森林（RF）、AdaBoost、决策树和梯度提升决策树（GBDT）。最优模型通过接收者操作特征曲线下面积（AUC）来确定。外部验证队列包括2023年4月至2024年4月期间从另外两个中心出院的692名aSAH患者。模型性能通过AUC、校准曲线和决策曲线分析（DCA）进行评估。鉴于结果分布不平衡，我们应用了合成少数样本过采样技术（SMOTE）来进一步评估模型的泛化能力。

结果

在出院时存活的1,639名患者中，有67人（4.1%）在1年内死亡。LASSO和Boruta共同确定了五个关键预测因子：年龄、世界神经外科联合会（mWFNS）改良分级、ICU住院时间（ICU-LOS）、C反应蛋白（CRP）和单核细胞与HDL比率（MHR）。随机森林在训练集中表现出最佳的区分能力，并在外部验证队列中依然保持强劲。此外，SMOTE训练进一步提高了模型的泛化能力。

结论

随机森林模型能够实现个体化的出院前风险分层，可能有助于指导围手术期管理。