编辑推荐：
这篇综述聚焦脑卒中、肿瘤和创伤性脑损伤（TBI）后癫痫的预后模型。详细介绍了 SeLECT、CAVE 等评分模型，探讨其临床应用、准确性与局限，还讨论了整合电生理数据的意义及抗癫痫发生研究进展，为癫痫防治提供了全面参考。
1. 引言
在神经病学领域，临床评分系统长期发挥着重要作用。像 1974 年推出的格拉斯哥昏迷量表（GCS）革新了脑损伤意识评估方式；1968 年的 Hunt 和 Hess 量表用于分级蛛网膜下腔出血严重程度；1980 年代的美国国立卫生研究院卒中量表（NIHSS）评估卒中严重程度 ，以及用于预测蛛网膜下腔出血后血管痉挛的 Fisher 量表等。这些基于客观测量的评分系统，成为神经病学的重要工具，为评估患者状况、预测结果和指导治疗决策提供了标准化方法。
然而在癫痫学领域，预后模型的应用在过去二十年才开始兴起。癫痫是常见的神经系统疾病，约一半的成人癫痫由结构性异常引起，如脑卒中、创伤性脑损伤（TBI）等，老年人中约 60% 的癫痫病例与缺血性或出血性脑卒中及脑肿瘤有关。这表明许多老年癫痫病例发病明确，适合研究癫痫发生机制，对开发预防干预措施和新疗法、确定预测生物标志物及个性化医疗方法意义重大。不过，抗癫痫药物临床试验面临挑战，因脑损伤后癫痫发生率相对较低，需要通过预测评分系统筛选高风险患者。本综述旨在全面介绍现有预测脑卒中、肿瘤和创伤性脑损伤后癫痫的预后模型，探讨其临床适用性、局限性及新兴生物标志物的整合等问题。
2. 开发癫痫学预测评分
2.1. 定义目标人群
构建预测脑损伤（如脑卒中、TBI 或脑出血）后癫痫的临床评分，需系统全面地进行。首先要定义目标人群，通常包括有明确脑卒中、TBI 或脑出血病史的患者。纳入标准可能涵盖通过影像学确诊脑损伤的成年患者，并限定损伤后的特定时间范围。排除标准一般包括有癫痫病史或其他神经系统疾病的患者。
2.2. 数据收集和相关变量选择
接下来是数据收集和相关变量选择，这涉及收集临床和人口统计学数据、影像学结果、神经生理学发现以及随访数据。临床和人口统计学数据包含年龄、性别、病史、脑损伤类型和严重程度（如 TBI 的 GCS 评分、脑卒中的 NIHSS 评分）以及合并症等。急性症状性癫痫发作指在脑损伤（如脑卒中或 TBI）后 7 天内发生的发作，这一 7 天的界限有助于区分其与远期症状性癫痫发作，后者发生在 7 天后，且提示癫痫风险更高，但该界限尚未得到独立验证，急性症状性癫痫发作的时间范围可能更长。影像学结果重点关注 MRI 或 CT 扫描结果，如病变大小、位置、类型（缺血性或出血性）以及皮质受累情况。神经生理学发现主要包括 EEG 数据，尤其是寻找癫痫样放电或脑电图发作等异常情况。此外，癫痫发作的纵向随访数据、首次发作时间或死亡时间以及治疗结果等也至关重要。
2.3. 统计方法和模型开发
开发模型时，要根据数据和预测目标选择合适的统计方法，如逻辑回归、Cox 比例风险模型或机器学习技术（如随机森林、神经网络）等。特征选择方法，如逐步回归、最小绝对收缩和选择算子（LASSO）或递归特征消除等，有助于确定最具预测性的变量。
2.4. 模型验证
模型验证对确保其稳健性和通用性至关重要。内部验证可将数据集拆分为训练集和验证集（如 70/30 分割），并进行交叉验证（如 k 折交叉验证），以评估模型的稳定性和性能。外部验证则是在来自不同队列的独立数据集上测试模型。
评估模型性能：关键指标
- 区分度指标：区分度衡量模型区分会发展为癫痫和不会发展为癫痫患者的能力。受试者工作特征曲线下面积（AUC-ROC）是常用指标，但在处理类别分布不均衡（如癫痫发作这类罕见事件）时，精确率 - 召回率（PR）曲线能提供更有价值的评估。PR 曲线关注模型在预测阳性类别（如癫痫发作发生）的表现，特别适用于阴性类别数量远多于阳性类别的情况，它评估精确率（阳性预测值）与召回率（敏感性），为 ROC 曲线提供补充信息。
- 校准指标：校准用于评估预测概率与实际概率的匹配程度。校准图和 Hosmer-Lemeshow 检验是评估这方面的标准方法。
- Brier 评分：Brier 评分通过测量预测概率与实际结果之间的均方差异，评估概率预测的整体准确性。与仅关注预测排名正确性的区分度指标不同，Brier 评分综合考虑了区分度和校准度，是评估概率风险预测模型可靠性的重要指标。
实施和完善评分
最后，实施和完善评分包括基于最终模型开发实用的评分系统，并通过前瞻性研究在现实环境中验证其临床实用性。进行可靠性测试确保评分具有可重复性，随着更多数据的获取和新预测因子的发现，模型应定期更新和优化。
在实际操作中，需从多个中心收集全面的数据，涵盖脑损伤患者详细的临床、影像学和神经生理学信息。对数据进行清洗和预处理，处理缺失值和异常值，通过探索性数据分析（EDA）了解变量分布和关系，进行特征工程创建相关特征，并根据需要对数据进行标准化或归一化处理。初始模型训练可从简单的逻辑回归开始，必要时与更复杂的模型进行比较。使用交叉验证和外部数据集进行验证，通过区分度和校准度指标评估模型性能。最终将模型转化为实用的临床评分工具（如应用程序或在线工具），用于指导治疗决策，并在临床环境中进行前瞻性验证。
3. 急性脑损伤后癫痫发作和癫痫的选定预后模型
3.1. 脑卒中后癫痫
- 缺血性脑卒中：SeLECT 评分用于预测缺血性脑卒中后远期症状性癫痫发作风险。该模型基于 4 个中心的 2369 名患者队列（推导队列 1200 人，验证队列 1169 人），采用多变量 Cox 比例风险回归，纳入 5 个临床预测因子：脑卒中严重程度（NIHSS 评分）、大动脉粥样硬化病因、急性症状性癫痫发作（脑卒中后 7 天内）、皮质受累和大脑中动脉区域受累。评分范围为 0 - 9 分，预测准确性通过 c 统计量 0.77 验证，1 年内远期症状性癫痫发作风险从 0 分的 0.5% 到 9 分的 63.4% 不等 。2023 年，SeLECT 评分进一步验证和优化，基于 9 个国际中心的 4552 名患者数据，更新为 SeLECT2.0 评分。该评分对各预测因子重新赋值，如 NIHSS 4 - 10 分计 1 分，NIHSS≥11 分计 2 分等，改进后的模型 c 统计量为 0.76，1 年后远期症状性癫痫发作风险从 0 分的 0.6% 到 13 分的 94% 不等。此外，基于 SeLECT2.0 队列开发的 Chance of Occurrence of Seizure in the next Year（COSY）模型用于评估癫痫发作风险，以确定安全驾驶间隔。目前，研究人员正努力将 EEG 结果整合到 SeLECT 评分中（SeLECT-EEG），并为有急性症状性癫痫发作的脑卒中幸存者开发单独评分（SeLECT-ASyS），同时发现考虑干预后的 NIHSS 评分而非入院时的评分更有利，将 SeLECT 评分与 IL-1β 水平结合可提高对脑卒中后癫痫的预测价值。
- 出血性脑卒中：2014 年推出的 ICH-CAVE 评分用于预测脑出血（ICH）后癫痫。该模型基于赫尔辛基的 993 名患者推导队列和里尔的 325 名患者验证队列开发，包括皮质受累、年龄＜65 岁、出血量＞10mL 和 ICH 后 7 天内急性症状性癫痫发作等评分项目。推导队列中模型的 c 统计量为 0.81，验证队列中降至 0.69，中位随访 2.7 年后，远期症状性癫痫发作风险从 0 分的 0.6% 到 4 分的 46.2% 不等。ERICH 研究对 ICH 后癫痫发作的风险因素进行了调查，并在 2507 名多民族患者队列中验证了 CAVE 评分，发现脑叶出血、较大血肿体积、较年轻年龄和手术清除是远期症状性癫痫发作的重要预测因素，替代的 CAVS 评分（用手术清除替代急性症状性癫痫发作）也显示出类似的预测能力。2023 年，基于台湾 408 名患者数据，ICH-CAVE 评分优化为 ICH-CAVE2 评分，对相似变量赋予不同权重，原始 CAVE 评分和更新后的 CAVE2 评分的 c 统计量分别为 0.73 和 0.74，4 年随访显示，评分≤1 分的患者远期症状性癫痫发作风险为 4.6%，评分为 2 分的风险为 18.3%，评分≥3 分的风险为 54.1%。另外，ICH-LANE 评分基于青岛大学 602 名患者队列开发，并在青岛市立医院 521 名患者中验证，该评分纳入脑叶出血、年龄＜65 岁、NIHSS 评分≥15 分和急性症状性癫痫发作等项目，推导队列和验证队列的 c 统计量分别为 0.83 和 0.78，远期症状性癫痫发作风险从 0 分的 0% 到 5 分的 100% 不等。
- 蛛网膜下腔出血：SAB-RISE 评分用于预测蛛网膜下腔出血后的癫痫风险，基于 Vall d'Hebron 大学医院的 419 名患者推导队列和 Bellvitge 大学医院的 308 名患者验证队列开发。20% 的患者出现急性症状性发作，12% 发展为癫痫。评分项目包括发病时改良 Rankin 量表评分、缺血（VASOGRADE 系统评估）、手术和早期发作。推导队列和验证队列的 c 统计量分别为 0.81 和 0.86，5 年风险计算显示，评分 0 - 1 分的患者风险为 2.9%，评分 2 - 3 分的患者风险为 20.8%，评分 4 - 5 分的患者风险为 75.7%。
- 脑静脉血栓形成：DIAS3 评分是预测脑静脉血栓形成（CVT）后癫痫风险的工具，基于国际 CVT 联盟的 1128 名患者推导，并在 ACTION-CVT（543 名患者）和以色列 CVT 研究（556 名患者）两个独立多中心队列中外部验证。该评分使用 6 个急性期临床变量：减压性半颅骨切除术、基线时脑出血、硬膜下血肿、急性癫痫发作（不包括癫痫持续状态）、急性癫痫持续状态和年龄，综合计算得分与 1 - 3 年内癫痫发作概率相关，低风险患者概率为 7%，高风险患者可达 83%。该模型在不同队列中表现出良好的准确性，c 统计量范围为 0.74 - 0.80，校准良好，且有在线计算器可供使用。
3.2. 脑肿瘤相关癫痫
- 脑膜瘤：Meningioma-STAMPE2 评分用于评估脑膜瘤患者术后癫痫风险，基于苏黎世大学医院 779 名患者研究开发。术前 31% 的患者有癫痫发作，术后 26% 发生癫痫。评分项目包括感觉运动障碍、肿瘤进展、年龄＜55 岁、主要手术并发症、术前癫痫、术后 EEG 癫痫样电位和水肿等。建议对评分≥2 分的患者进行治疗，并通过前瞻性验证指导抗癫痫治疗决策。
- 脑转移瘤：脑转移瘤癫痫风险评分用于预测脑转移瘤患者的癫痫风险，特别是术后癫痫，基于苏黎世大学医院 799 名患者分析开发。队列中 28% 的患者被诊断为癫痫，评分项目包括幕上定位（4 分）、不完全切除（3 分）和多次手术（1 分），评分范围为 0 - 8 分，分数越高术后癫痫发作风险越大。ROC 分析支持该评分的诊断准确性（AUC = 0.75），提示高分患者可能从预防性抗癫痫药物（ASM）治疗中获益。
- 胶质瘤相关癫痫预测模型：胶质瘤相关癫痫列线图通过整合 8 个关键临床和分子因素预测胶质瘤患者术后癫痫发作可能性，这些因素包括年龄、IDH 突变、肿瘤位置（颞叶受累）、术前癫痫、切除范围、WHO 分级、功能障碍和 Ki-67 表达水平。每个变量贡献累积得分反映癫痫发作风险，术后 12 个月内发作概率从低分的 10% 到高分的 80% 不等。该列线图基于 449 名按 IDH 突变和 1p/19q 共缺失状态分层的胶质瘤患者队列开发，在单中心队列中表现良好，但由于其来自单一机构且基于过时的肿瘤分类（WHO 2016），其通用性有限。另一个针对弥漫性高级别胶质瘤（DHGGs）患者术后癫痫发作的预测模型，利用临床和 RNA 测序数据，确定了一个 7 基因特征，显著提高了预测准确性。该模型纳入年龄、颞叶受累和术前胶质瘤相关癫痫病史等因素，AUC 分别达到 0.88 和 0.85。功能分析表明离子通道活动和免疫系统功能障碍是胶质瘤相关癫痫的关键机制，突出了如 SLC1A4 和 KCNJ10 等治疗靶点。
3.3. 创伤性脑损伤
一种预测 TBI 后癫痫的预后模型，基于华西医院 2011 - 2017 年的 1301 名患者训练队列，以及成都上锦南府医院（421 名患者）和四川省人民医院（413 名患者）的验证队列开发。训练队列中 6% 的患者出现急性症状性癫痫发作，验证队列中分别为 7% 和 5%；训练队列中 13% 出现远期症状性癫痫发作，验证队列中分别为 11% 和 6% 。该模型纳入性别、意识丧失时间、硬膜下出血、挫伤部位、急性症状性创伤后癫痫发作、TBI 严重程度和治疗类型等参数，创建列线图提供个性化风险预测。训练队列、第一个验证队列和第二个验证队列的 c 指数分别为 0.846、0.895 和 0.883，列线图有效识别高风险个体，1 年和 5 年后癫痫发作风险评分范围为 0 - 100%。另一个预测 TBI 后创伤性癫痫的重要模型，分析了青海省人民医院 2016 年 11 月至 2019 年 11 月的 457 名患者。该模型评估了创伤性癫痫的高风险因素，包括挫伤部位、慢性酒精使用、挫伤体积、颅骨骨折、硬膜下血肿（SDH）、GCS 评分和非晚期创伤后癫痫发作（Non-LPTS）等，独特的显著预测
