后交通动脉动脉瘤治疗选择与多结局预测的机器学习模型开发与外部验证研究

《Scientific Reports》：Externally validated machine learning models for prediction of treatment selection and clinical outcomes in posterior communicating artery aneurysms

　　

摘要

后交通动脉（PCOM）动脉瘤约占颅内动脉瘤的25%，在最优治疗方式选择方面存在临床挑战。本研究利用2002年至2023年间收治的75例PCOM动脉瘤患者的综合机构数据库，开发并验证了用于预测PCOM动脉瘤治疗方式、并发症及功能结局的机器学习模型。研究系统比较了五种机器学习算法——随机森林、支持向量机、逻辑回归、决策树和XGBoost，覆盖7个结局变量：治疗类型（开颅手术 vs. 血管内治疗）、具体开颅手术方式、具体血管内治疗方式、术中破裂、并发症、血管造影闭塞情况以及出院时改良Rankin量表评分。模型开发基于术前患者特异性参数（年龄、性别、家族史）和动脉瘤特异性参数（大小、表现、形态、位置），并采用严格的预处理流程，包括类别平衡策略、特征工程和正则化以减少过拟合。交叉验证结果显示，模型在以下方面表现出较高准确率：治疗方式预测（随机森林78.7%）、并发症（随机森林94.7%；然而，敏感率为0%，表明该准确率不应被解读为具有临床实用价值的阴性事件检测）、术中破裂（随机森林92.0%）以及血管造影闭塞情况（随机森林87.3%）。基于路易斯维尔大学独立队列的外部验证（n=20–28；n=20为主要外部队列中最完整的病例数，部分有可用标签的终点最高达n=28）显示了不同的泛化能力：治疗方式预测维持了78.1%的准确率，而并发症预测的外部表现有所下降（70.3%），凸显了机构特异性因素的影响。全面的敏感性分析表明，类别平衡策略显著改善了罕见结局的少数类召回率（0.0% → 52.2%–86.3%）。特征重要性分析揭示，年龄、动脉瘤大小、入院时改良Rankin量表评分以及Hunt-Hess分级是多个结局变量中最具影响力的预测因子。本研究是首个针对PCOM动脉瘤管理进行外部验证的多结局机器学习框架，为治疗选择与结局预测提供了量化风险评估和循证决策支持。