《Brain and Behavior》：Development and Validation of an Early Postoperative Risk Stratification Model for Hydrocephalus Following Aneurysmal Subarachnoid Hemorrhage
编辑推荐：
背景：脑积水是动脉瘤性蛛网膜下腔出血（aSAH）后的常见并发症。本研究旨在识别围手术期危险因素，并开发一个术后早期风险分层模型，以支持术后监测而非单纯的术前预测。方法：采用回顾性病例对照设计，收集并分析2018年8月1日至2024年12月31日期间在河南医科大
背景：脑积水是动脉瘤性蛛网膜下腔出血（aSAH）后的常见并发症。本研究旨在识别围手术期危险因素，并开发一个术后早期风险分层模型，以支持术后监测而非单纯的术前预测。方法：采用回顾性病例对照设计，收集并分析2018年8月1日至2024年12月31日期间在河南医科大学第一附属医院接受治疗的331例aSAH患者的临床数据。主要终点为动脉瘤治疗后3周内发生的术后脑积水，依据影像学与临床综合标准进行诊断。采用最小绝对收缩和选择算子（LASSO）回归方法筛选危险因素。对多种机器学习（ML）模型进行比较，并使用沙普利加性解释（SHAP）分析进行个体化模型解释。结果：入院格拉斯哥昏迷量表（GCS）评分、术中脑室外引流（EVD）/侧脑室引流及脑室内出血（IVH）被确定为与术后脑积水相关的关键变量。逻辑回归模型为最优模型；锁定测试集曲线下面积（95% CI）：0.891（0.739–1.000）；准确度：0.720（0.688–0.775）；灵敏度：0.899（0.823–0.987）；特异度：0.683（0.635–0.740）。结论：基于SHAP解释的逻辑回归模型可支持aSAH后脑积水的术后早期风险分层。鉴于其阳性预测值适中，该模型应用于对患者进行分诊，以加强监测和及时再评估。
研究背景方面，蛛网膜下腔出血（SAH）是由脑表面血管破裂引起的急性脑血管疾病，血液直接进入蛛网膜下腔导致严重神经功能损害。流行病学数据显示全球SAH年发病率约为每10万人6–9例，约占所有卒中病例的5%，其中由动脉瘤破裂所致的动脉瘤性蛛网膜下腔出血（aSAH）约占全部SAH的85%。脑积水是aSAH的常见并发症，术后常表现为颅内压增高、瞳孔异常、意识障碍加重，严重时可危及生命。早期识别危险因素并构建预测模型对加强aSAH患者术后脑积水的早期预防至关重要。尽管已有许多研究采用传统预测模型，但机器学习（ML）的应用仍不充分，且其在真实临床环境中的应用证据及可解释风险预测模型仍然有限。为此，研究人员纳入沙普利加性解释（SHAP）工具为患者风险预测提供直观解释，利用传统回归与ML方法开发并验证aSAH后脑积水的术后早期风险分层模型。由于候选变量涵盖入院、术中及术后早期信息，该模型不应被解读为纯术前预测模型，而旨在支持动脉瘤治疗后的动态风险评估，帮助临床医生识别可能受益于强化监测、重复神经影像检查或及时评估脑脊液（CSF）分流治疗的患者。
在技术方法上，研究人员采用回顾性病例对照设计，纳入2018年8月1日至2024年12月31日河南医科大学第一附属医院神经外科收治的331例aSAH患者（单中心样本队列）。主要关键技术方法包括：以动脉瘤治疗后3周内影像学与临床标准共同判定的术后脑积水为主要终点，并由两名神经外科医生裁决；采用最小绝对收缩和选择算子（LASSO）回归进行变量筛选，以受试者工作特征（ROC）曲线最大约登指数确定连续变量二分化阈值并通过1000次bootstrap重采样评估阈值稳定性；比较8种机器学习模型并结合决策曲线分析（DCA）、校准曲线与精确率-召回率（PR）曲线综合评价；采用SHAP分析实现个体化模型解释，并以bootstrap乐观度校正评估过拟合风险。
研究结果方面，3.1 通过单因素分析初步筛选潜在危险因素：共纳入331例患者，66例（19.9%）发生术后脑积水，按约7:3随机分为训练集（n=231，脑积水19.5%）与锁定测试集（n=100，脑积水20.0%），结局分布均衡。单因素分析显示入院Hunt–Hess分级与Fisher分级、动脉瘤大小、手术方式、术中EVD、IVH、术后腰椎穿刺、术中内镜下造瘘、入院GCS评分及术后CSF葡萄糖（Glu）与蛋白（Pro）水平与脑积水显著相关（p<0.05），保留p<0.15的变量进入后续分析。3.2 通过训练集与锁定测试集基线资料比较：入院Hunt–Hess分级、Fisher分级、动脉瘤大小、手术方式、术中造瘘、术中EVD、IVH、颅内出血（ICH）、术后腰椎穿刺、术后腰大池引流、入院GCS评分、术后首次腰穿CSF的Glu与Pro水平、实质出血及侧脑室造瘘等变量在两组间均无显著差异。3.3 通过连续变量二分化与阈值确定：以术后脑积水为结局绘制ROC曲线，按最大约登指数确定入院GCS评分11分、术后CSF Glu 2.00 mmol/L、术后CSF Pro 1226.99 mg/L为截断值，并按赋值表进行二分类赋值。3.4 通过LASSO回归筛选危险因素：14个自变量被缩减为4个，即入院GCS评分、入院Hunt–Hess分级、术中EVD和合并IVH。3.5 通过多模型综合比较：8种预测模型重复训练10次，训练集上XGBoost、随机森林和LightGBM的AUC最高，锁定测试集上逻辑回归与高斯朴素贝叶斯表现最佳；DCA显示在5%–50%阈值概率范围内逻辑回归、XGBoost和LightGBM的净获益持续高于"全部干预"或"全部不干预"策略，逻辑回归在10%、20%、30%阈值下净获益最高，20%时达0.132；但决策阈值0.198时阳性预测值为0.381，约62%的模型阳性患者可能不会发生术后脑积水，故高风险输出不应视为诊断或自动干预指征；校准曲线进一步证实逻辑回归预测误差最小、概率校准优良；结合判别力、校准度、DCA、PR表现及可解释性的综合评价，逻辑回归被选为最终模型。3.6 通过最优模型的构建与验证：最终模型纳入入院GCS评分、入院Hunt–Hess分级、侧脑室引流/EVD和IVH四个变量，截距为?0.801，各系数分别为GCS ?0.496、Hunt–Hess 0.003、EVD ?0.674、IVH 0.885；10折交叉验证平均AUC为0.893，锁定测试集AUC为0.891、准确度0.720、灵敏度0.889、特异度0.683、阳性预测值0.381、阴性预测值0.966、F1分数0.533、kappa 0.376，锁定测试集结果作为最终模型性能的主要估计；学习曲线显示训练集与锁定测试集拟合度高、稳定性好。3.7 通过SHAP可视化模型解释：SHAP分析显示合并IVH与术中未行侧脑室引流可促进aSAH患者术后脑积水形成，并按平均绝对SHAP值对四个危险因素排序；典型病例的SHAP预测分数分别为0.81和0.70；每变量事件数在训练集约11.3、全队列约16.5，1000次bootstrap内部验证显示表观AUC 0.902、平均乐观度0.022、乐观度校正后AUC 0.880，校正后准确度0.710、灵敏度0.858、特异度0.677、阳性预测值0.376、阴性预测值0.961、F1分数0.523、Brier分数0.141，提示存在一定乐观度但校正后性能仍可接受，鉴于结局事件有限，8种ML算法的比较应视为探索性。3.8 通过入院GCS评分的敏感性分析：将入院GCS评分作为连续变量时，锁定测试集AUC为0.887、准确度0.720、灵敏度0.861、特异度0.695、阳性预测值0.392、阴性预测值0.955、F1分数0.538、Brier分数0.139，校准斜率0.91、校准截距?0.04，与以GCS 11分为截断值的主要模型结果相似，提示主要发现并非由GCS二分化实质驱动，因临床可解释性与床旁适用性保留二分化模型为主要模型。
讨论部分，本研究基于331例患者队列数据识别出缺乏EVD与合并IVH为显著预测因素；与复杂ML算法相比，逻辑回归模型在本数据集上表现出稳定的判别力、更优的校准度和更好的可解释性，该模型最宜被理解为术后监测分诊工具，其高阴性预测值有助于识别可行常规监测的低风险患者，而适中的阳性预测值提示高风险预测应谨慎解读，模型阳性患者应接受密切观察与及时再评估而非立即诊断或自动治疗干预。低GCS评分常伴随自主神经功能障碍并影响CSF动力学，Deng等发现GCS每降低1分脑积水风险增加18%，与本研究一致；高Hunt–Hess评分是另一预测因素，评分≥IV级者脑积水中发生率为30%–50%，该评分综合评估神经功能缺损严重程度，高分提示弥漫性血管痉挛、脑低灌注及血脑屏障破坏，促使纤维蛋白渗出与蛛网膜颗粒粘连，最终阻碍CSF引流，一项580例队列研究显示Hunt–Hess IV–V级患者脑积水风险为低级别者的3.2倍。术中EVD与术后脑积水的关联因时间与因果的模糊性应谨慎解读，EVD是临床医生选择的干预措施，更可能用于出血更严重、意识受损、急性脑室扩大或合并IVH的患者，其有无不应被解读为直接导致脑积水风险升降，而可能部分反映基线疾病严重度、治疗选择及术后早期临床状态，本模型中EVD作为围手术期临床变量用于术后即刻风险分层而非因果暴露，尽管模型中已纳入GCS、Hunt–Hess和IVH以部分解释疾病严重度，但回顾性队列中的适应证残余混杂无法排除。既往研究报道了CSF引流策略与aSAH后脑积水风险的关联，其保护机制包括清除脑室血肿、减少纤维蛋白沉积和阻断蛛网膜绒毛纤维化，早期引流（<24 h）联合阶梯式夹闭策略可进一步降低风险。合并IVH是术后脑积水最强预测因素之一，与既往发现基本一致；IVH直接阻塞室间孔、中脑水管和第四脑室出口引起急性梗阻性脑积水，同时红细胞降解产物（如血红蛋白、铁离子）触发炎症反应导致室管膜纤毛功能障碍和慢性纤维化。本研究结果与部分既往研究报告年龄、改良Fisher分级、急性脑积水和治疗方式为慢性或分流依赖性脑积水显著预测因素不同，差异可能与结局定义、随访时长、变量选择方法和患者人群有关；本队列结局为3周内术后短期脑积水，且IVH与严重度评分可能已涵盖Fisher分级等出血相关变量所代表的部分风险，从而削弱其独立效应。CSF生化标志物（Pro、Glu、Cl）和血纤维蛋白原在本研究中无显著关联，可能与检测时间点不同或样本量不足有关，近期研究提示CSF炎症标志物和凝血相关物质可能与慢性脑积水关联更强，但其对急性脑积水的预测价值有待进一步研究。本研究中动脉瘤治疗方式（开颅夹闭或血管内栓塞）未显著影响脑积水风险，与多数近期研究一致，现代治疗相对安全，两种方式间CSF循环无明显差异，但部分研究提示Hunt–Hess III–V级aSAH患者应优先选择开颅夹闭，因开颅夹闭可术中清除脑内和脑室血肿、恢复脑室循环开放以防止梗阻性脑积水。近年来多项研究关注aSAH后慢性或分流依赖性脑积水的预测，Zhang等开发了aSAH后慢性脑积水的回顾性预测模型，Hajikarimloo等系统评价与meta分析了预测SAH后慢性或分流依赖性脑积水的ML模型，显示ML方法预测性能有前景但仍需标准化和外验证，Islamagi?等开发了预测aSAH后分流需求的IS-Score评分，凸显简单可解释评分系统的临床重要性；与这些研究相比，本模型聚焦术后早期脑积水而非慢性或分流依赖性脑积水，并纳入SHAP分析提高可解释性。ML算法在处理高维数据和复杂交互方面具有灵活性，本研究中XGBoost等树模型训练集AUC高但锁定测试集性能下降，提示过拟合，而逻辑回归结果稳健且可解释，支持其在样本量有限的临床预测模型中的应用。本研究局限性包括：首要局限为缺乏外部验证，单中心回顾性研究且结局分布不平衡，锁定测试集仅提供内部性能估计，无法确立跨中心、跨人群、跨影像方案、跨神经外科实践及术后监测策略的泛化性，该模型应视为内部开发的术后早期风险分层工具而非完全验证的临床预测模型，临床实施前需前瞻性多中心外部验证；其次为缺失数据，术后CSF Cl、Glu和Pro水平缺失率为13.3%，虽采用防泄漏KNN方法插补且未保留于最终模型，但与术后CSF测量缺失相关的残余偏倚不能完全排除，未进行完整病例模型分析是因排除CSF变量缺失患者将进一步减少结局事件数并增加模型不稳定性；第三，尽管对缺失数据进行了插补，潜在偏倚仍可能存在；第四，研究仅关注短期（3周内）脑积水发生，长期结局有待进一步研究，尤其EVD置入可能存在适应证混杂，接受EVD者基线病情通常更重，虽已纳入严重度相关变量部分校正，但回顾性设计无法完全控制治疗选择偏倚，未来需前瞻性研究以标准化EVD指征或倾向性评分调整进一步明确EVD的独立效应；此外，连续变量二分化可能降低信息量和统计效率，本研究二分化主要为提高临床可解释性和床旁适用性，截断值来自训练集并经bootstrap重采样内部评估，连续建模或限制性立方样条等灵活方法可能更好地保留预后信息，应在未来外部验证研究中评估。
结论部分译文：本研究开发了一个针对aSAH后脑积水的术后早期风险分层模型。入院GCS评分、术中EVD/侧脑室引流及IVH是模型预测的主要贡献因素，而Hunt–Hess分级作为严重度相关协变量保留，其独立贡献有限。逻辑回归模型在锁定测试集中表现出良好的判别力和高阴性预测值。然而，由于阳性预测值适中，该模型应作为支持术后监测分诊、重复影像决策和及时临床再评估的工具，而非独立的诊断或预防工具。
