《Bioengineering》：Development of a Machine Learning-Based Prediction Model and an Online Risk Calculator for Preoperative Prediction of Pneumonia After Surgical Clipping for Aneurysmal Subarachnoid Hemorrhage
编辑推荐：
背景：术后肺炎（postoperative pneumonia, POP）是动脉瘤性蛛网膜下腔出血（aneurysmal subarachnoid hemorrhage, aSAH）显微外科夹闭术后的常见并发症。术前早期识别高危患者可能有助于及时实施预防性管理
背景：术后肺炎（postoperative pneumonia, POP）是动脉瘤性蛛网膜下腔出血（aneurysmal subarachnoid hemorrhage, aSAH）显微外科夹闭术后的常见并发症。术前早期识别高危患者可能有助于及时实施预防性管理。本研究旨在基于常规可获得的入院变量开发并内部验证一种可解释的机器学习模型，并将其转化为网络风险计算器。方法：这项单中心回顾性研究纳入2019年至2024年间接受显微外科夹闭术的574例aSAH患者。患者按7:3比例随机分为训练队列和内部验证队列。采用Spearman相关分析和Boruta算法进行特征选择。通过五折交叉验证比较13种机器学习算法，并在内部验证队列中评估最优模型。采用SHAP（SHapley Additive exPlanations）分析解释模型预测。结果：保留13个预测因子用于模型开发。使用ranger实现的随机森林模型表现出最佳总体性能，在内部验证集中达到曲线下面积（area under the receiver operating characteristic curve, AUC）0.887（95% CI，0.838–0.936）。校准可接受，Brier score为0.135，决策曲线分析（decision curve analysis, DCA）提示潜在临床净获益。SHAP分析确定D-dimer和Glasgow Coma Scale评分为模型预测的主要贡献因素。研究人员开发了一个交互式R Shiny计算器用于个体化POP风险估计。结论：一种基于ranger的可解释随机森林模型，使用常规可获得的入院和术前变量，在预测aSAH夹闭术后POP方面显示出良好区分度和可接受校准。该模型可能使术前无需专门检测即可进行风险估计，并支持早期个体化风险分层。在更广泛临床实施前需要外部和前瞻性验证。
动脉瘤性蛛网膜下腔出血（aneurysmal subarachnoid hemorrhage, aSAH）是致命性出血性卒中，显微外科夹闭术后并发症仍影响预后。术后肺炎（postoperative pneumonia, POP）是aSAH治疗后常见非神经并发症，与住院延长、机械通气需求增加、神经功能恶化和死亡增加相关；显微外科夹闭较血管内治疗创伤和围手术期生理应激更大，因此术前识别POP高危患者有助于加强呼吸监测和及时预防。已有研究报告年龄、神经严重度、出血负荷、意识障碍及常规实验室异常与肺炎相关，但机械通气时长等围手术期变量术前不可用，限制术前风险分层；完全基于常规术前评估信息的模型更实用，且无需特殊生物标志物或高级影像分析。现有POP风险模型多基于传统回归，可能难以捕捉复杂非线性关系和高阶交互；机器学习（machine learning, ML）可灵活建模多维临床数据，但透明度不足，SHAP（SHapley Additive exPlanations）可量化预测因子贡献。已有机器学习用于aSAH肺炎预测的探索，但仍需要针对显微外科夹闭且完全基于术前变量的可解释模型。为此，研究人员开发并内部验证用于aSAH显微外科夹闭术前预测POP的可解释机器学习模型，并转化为网络风险计算器。研究为单中心回顾性队列，纳入哈尔滨医科大学附属第一医院2019年1月至2024年12月连续成人aSAH显微外科夹闭患者，最终574例；按POP状态7:3分层随机分为训练集和内部验证集；结局按Pneumonia in Stroke Consensus Group共识标准判定，由两名神经重症医师独立裁定。研究比较多种机器学习算法，最终ranger随机森林模型在内部验证中表现最佳，AUC为0.887（95% CI，0.838–0.936），校准可接受（Brier score 0.135），DCA提示潜在净获益；SHAP显示D-dimer和Glasgow Coma Scale（GCS）评分为主要贡献因素；基于R Shiny构建在线计算器。该研究意义在于利用入院常规变量实现术前个体化POP风险估计，无需专门检测，可能支持早期风险分层和预防管理；但更广泛临床应用前仍需外部和前瞻性验证。
关键技术方法概括：单中心回顾性队列纳入哈尔滨医科大学附属第一医院2019—2024年574例aSAH显微夹闭患者；收集入院24 h内54个常规变量；按7:3分层随机划分训练集与内部验证集；采用Spearman相关分析（|ρ|>0.80）去除冗余变量，并以Boruta算法筛选预测因子；在mlr3框架下比较13种机器学习算法，采用五折交叉验证，基于准确度、AUC、精确率、F1值、敏感度和特异度等选择ranger随机森林模型；在内部验证集评估受试者工作特征（ROC）曲线、精确率-召回率（PR）曲线、校准曲线、Brier score、DCA和临床影响曲线（clinical impact curve, CIC）；采用SHAP解释模型；以R Shiny构建在线风险计算器。
研究结果如下。3.1 基线特征（Baseline Characteristics）：最初筛选665例aSAH患者，按预设标准排除91例，最终纳入574例；其中360例（62.7%）发生POP，214例（37.3%）未发生。与未发生POP者相比，POP患者年龄更大、高血压患病率更高，Hunt–Hess分级和modified Fisher分级更高、GCS评分更低、NIHSS（National Institutes of Health Stroke Scale）评分更高（均p<0.001）；血糖、中性粒细胞与淋巴细胞比值（neutrophil-to-lymphocyte ratio, NLR）和D-dimer更高，淋巴细胞与单核细胞比值（lymphocyte-to-monocyte ratio, LMR）、白蛋白和总蛋白更低（均p≤0.001）；单核细胞计数亦有差异（p=0.009）。性别、动脉瘤位置、多发动脉瘤、糖尿病史、心脏病史、脑血管病史、吸烟、饮酒及抗凝/抗血小板使用无显著差异（均p>0.05）。因缺失数据被排除的30例患者高血压、吸烟和饮酒比例较低，但年龄、性别、GCS、NIHSS和Hunt–Hess分级无显著差异。3.2 预测因子选择（Prediction Factor Selection）：在训练队列中，Spearman相关分析以|ρ|>0.80识别高度冗余变量，排除DFR、FNLR、Glu/K、淋巴细胞计数、INR、PLR、PTFIB、白细胞计数和体重9个变量，剩余45个候选预测因子；Boruta最终确认13个重要预测因子：age、albumin、D-dimer、modified Fisher grade、GCS score、blood glucose、Hunt–Hess grade、LMR、monocyte count、NIHSS score、NLR、neutrophil count和total protein；最终变量|ρ|<0.80且方差膨胀因子（variance inflation factor, VIF）<5，无显著多重共线性。3.3 机器学习模型训练与选择（Machine Learning Model Training and Selection）：基于13个特征，在训练队列中以五折交叉验证比较13种机器学习算法，依据准确度、AUC、精确率、F1值、敏感度、特异度以及可解释性和临床部署可行性，选择ranger算法作为最终模型，并在独立内部验证队列评估泛化性能。3.4 模型性能验证（Model Performance Validation）：ranger模型在内部验证队列中预测POP的AUC为0.887（95% CI，0.838–0.936），PR曲线下面积为0.930，高于患病率基线；预测概率分布在POP与非POP患者间呈明显分离趋势。以0.500为概率阈值，准确度为0.826、敏感度为0.889、特异度为0.719、Kappa值为0.619；校准曲线显示预测概率与观察频率总体一致，Brier score为0.135（95% CI，0.112–0.157），校准截距为0.06（95% CI，?0.30–0.43），校准斜率为1.60（95% CI，1.12–2.07），低预测概率处倾向于高估、高预测概率处倾向于低估；DCA显示模型在较宽阈值范围内净获益高于treat-all和treat-none策略；CIC展示不同风险阈值下被判为高风险人数及真阳性POP病例数。3.5 基于SHAP的模型可解释性分析（Model Interpretability Analysis Based on SHAP）：SHAP beeswarm图显示D-dimer和GCS评分为最具影响的预测因子，较高D-dimer值一般增加预测POP风险，较高GCS评分一般降低预测风险；平均绝对SHAP排序同样显示D-dimer和GCS居前，其后为modified Fisher grade、glucose和neutrophil count；瀑布图显示一例高风险患者预测概率为0.768，主要由D-dimer向上驱动，GCS发挥相反贡献；一例低风险患者预测概率为0.331，GCS评分和D-dimer值共同降低预测风险。3.6 网络风险计算器开发（Development of Web-Based Risk Calculator）：基于最终ranger模型，研究人员使用R Shiny包建立网络预测工具并部署于Shinyapps.io平台，临床医生输入患者临床参数后可实时计算并输出POP风险；该计算器可免费通过浏览器访问，但目前不强制输入验证或自动拒绝缺失/临床不合理值，使用前需核实输入完整性、准确性和临床合理性。
讨论部分总结：该研究的主要贡献在于将多个常规可获得的术前信息域整合为可解释预测框架，而非单纯增加变量。与Wang et al.基于351例aSAH患者的logistic回归风险评分（AUC 0.808，采用WFNS评分、中性粒细胞计数、红细胞输注和气管切开等预测因子）相比，本研究模型专门用于显微夹闭前、基于入院常规术前变量估计POP风险；炎症生物标志物IBI、SII和SIRI等亦与aSAH后肺炎风险相关，但部分研究纳入术中/术后变量或需CRP等非常规检测。D-dimer作为交联纤维蛋白降解产物，反映凝血和纤溶激活，可能也反映急性脑损伤后系统反应严重度；SHAP值量化特征对模型预测的贡献而非确立独立因果关系。中性粒细胞计数、NLR、LMR和单核细胞计数等循环免疫细胞变量亦贡献预测，反映急性aSAH后系统应激和炎症反应。较低GCS评分及较高modified Fisher、Hunt–Hess和NIHSS分级提示更严重出血、意识障碍和神经功能障碍，可能通过吞咽受损、咳嗽无效、气道保护下降、制动和呼吸支持需求增加等途径增加肺炎风险；入院高血糖可能反映急性应激反应，较低白蛋白和总蛋白可能提示营养和生理储备下降；年龄可概括潜在脆弱性、生理储备和合并症负担。治疗特异性模型对显微夹闭患者尤其相关，因该手术需开颅和直接手术操作，通常创伤更大、手术暴露更长，并与术后肺部并发症风险较高相关；本队列POP发生率为62.7%，高于某显微夹闭队列的34.5%，接近另一aSAH队列的60.0%，反映研究期间本中心连续筛选合格显微夹闭患者的观察发生率而非刻意选择高危亚组。该研究队列为较大的单中心中国aSAH显微夹闭队列，预测因子均来自入院常规临床评估、常规影像和标准实验室检查，对额外基础设施要求较低；网络计算器便于个体化风险估计，SHAP解释提高透明度。局限包括单中心回顾性设计可能引入选择偏倚，完整病例分析可能带来额外选择偏倚；五折交叉验证和内部验证均来自同一中心，外部推广性不确定，单次随机数据分割可能限制稳定性评估，需重采样和独立多中心队列验证；阳性/阴性预测值受结局患病率影响；模型仅适用于显微夹闭患者，不应假定直接适用于血管内治疗；仅纳入入院24 h内基线实验室数据，无术后动态监测；Boruta特征选择在模型比较前于训练队列完成而非在每个交叉验证折内重复，可能使交叉验证估计偏乐观；校准斜率>1提示预测风险分散不足，个体风险估计需谨慎；网络计算器尚未进行前瞻性临床影响评估，应视为风险估计工具而非临床判断替代。研究结论翻译：本研究开发并内部验证了基于ranger的随机森林模型，用于预测aSAH显微外科夹闭患者术后肺炎。通过整合入院时常规可获得的神经、影像、血液学和生化变量，该模型能够进行个体化术前风险估计。基于SHAP的解释和网络计算器提供了可解释的探索性工具，用于潜在术前风险分层。然而，在常规用于临床决策前，需要前瞻性多中心外部验证和临床影响评估。
