基于多中心机器学习探索预测新发癫痫持续状态后癫痫复发的临床模型

本研究针对癫痫持续状态(SE)后缺乏有效复发预测工具的临床难题，联合西班牙与意大利两家医疗中心数据，首次系统比较了k-最近邻、随机森林等6种机器学习(ML)算法与传统逻辑回归的预测效能。研究发现随机森林模型(AUROC 0.687)显著优于传统方法，为临床早期识别高风险患者提供了新思路，相关成果发表于癫痫领域权威期刊。

　　

癫痫持续状态(Status Epilepticus, SE)作为神经科最凶险的急症之一，其引发的脑网络重组和神经元损伤常导致慢性癫痫。临床面临的核心困境在于：约35%的新发SE(dnSE)患者会在两年内复发癫痫，但传统统计模型预测精度不足。西班牙巴塞罗那Vall d'Hebron大学医院与意大利摩德纳学术医院的联合团队在《Seizure》发表的研究，首次将机器学习(ML)引入该领域，为这一临床难题带来突破。

研究团队采用多中心回顾性队列设计，纳入2011-2022年间386例dnSE患者，通过k-最近邻(k-NN)、支持向量机(SVM)等6种ML算法与逻辑回归对比分析。关键技术包括：70/30数据集分割验证、AUROC曲线评估、STROBE规范报告。特别关注SE病因学分类(如进展性症状性/急性症状性)和发作特征(非惊厥性SE伴昏迷)等临床变量。

【结果】
• 患者特征：35.2%(136/386)出现两年内复发，中位随访4.1年
• 危险因素：进展性症状性病因(p<0.001)、院外发作(p=0.033)显著增加风险
• 模型比较：随机森林表现最优(AUROC 0.687 vs 逻辑回归0.594)，仅人工神经网络(ANN)逊于传统方法

【讨论】
该研究证实ML在SE预后预测中的潜在优势：随机森林通过集成学习有效捕捉非线性临床特征。但当前模型精度仍待提升，未来需整合神经影像和分子标志物。值得注意的是，急性症状性SE的"保护效应"(p<0.001)提示病因分层对预测的关键作用。

这项开创性工作为SE后癫痫的精准预防奠定基础，其采用的跨中心数据融合策略尤为值得借鉴。研究者同时指出，ML模型的临床转化仍需更大样本验证，而昏迷相关SE亚型的特殊病理机制也值得深入探索。