《BMC Biomedical Engineering》:Linking neurological status to functional outcomes in spinal cord injury: a multi-class, task-specific approach
编辑推荐:
本研究旨在解决如何基于脊髓损伤(SCI)后的神经学评估,在损伤后不同阶段(早期≤40天、中期70-100天、晚期>182天)准确预测患者的功能独立性(基于脊髓独立性量表SCIM)这一临床难题。研究人员比较了多类别(nominal)与序数(ordinal)分类模型,发现随机森林(random forest)模型整体表现最佳(平均0.93 ± 0.03),且模型准确性随时间推移而提高(早期46-71%,晚期50-85%)。序数模型在减少严重误分类方面具有独特临床价值。该研究为构建模块化、可扩展的SCI预后预测框架奠定了基础。
当脊髓(spinal cord)遭遇损伤,它不仅中断了大脑与身体之间的信号传导通路,更意味着患者可能面临长期、甚至永久性的神经功能缺损与生活自理能力的丧失。评估患者能否重新获得诸如梳洗、膀胱管理、室内移动等基本日常活动能力,是康复医学的核心目标之一。然而,从损伤后的神经状态到最终的功能独立性结局,这条预测之路充满了不确定性。临床医生面临一个关键挑战:如何利用国际通用的神经学检查评分,在伤后不同时间点,更准确地预判患者在不同生活领域的独立能力?尽管已有研究探索了脊髓损伤后感觉运动功能的纵向恢复模式,但系统性地运用机器学习建模,来刻画神经损伤与功能独立性在不同恢复阶段的关系,此前仍少有深入分析。
为了回答这一问题,一项研究在《BMC Biomedical Engineering》上发表,其核心是比较不同类型的分类模型,看它们如何利用伤后的神经学状态等信息,来预测患者在特定功能任务上的独立性等级。这项研究没有停留在理论层面,而是紧密贴合临床实际,选取了欧洲多中心脊髓损伤研究(EM-SCI)数据库中的真实数据。输入模型的信息包括国际脊髓损伤神经学分类标准(International Standards for Neurological Classification of Spinal Cord Injury, ISNCSCI)中的运动评分和感觉评分,以及患者的年龄、性别和受伤时间。预测的目标则聚焦于脊髓独立性量表(Spinal Cord Independence Measure, SCIM)中三个关键领域的代表性任务:梳洗(代表自我护理)、膀胱管理(代表呼吸与括约肌管理)以及室内移动(代表活动能力)。为了捕捉恢复的动态性,分析被精细地分层为伤后早期(≤ 40天)、中期(70-100天)和晚期(> 182天)三个阶段。
研究人员主要运用了机器学习中的分类模型进行比较,包括多类别分类模型和序数分类模型,并利用沙普利加法解释(Shapley Additive Explanations, SHAP)来探索模型预测的可解释性。模型性能基于五项评估指标进行排名。
模型性能随时间演变
研究结果显示,所有模型的预测准确性都随着伤后时间的推移而显著提高。在伤后早期阶段,模型准确率在46%到71%之间波动;而到了伤后晚期阶段,准确率范围则提升至50%到85%。这一趋势清晰地表明,在损伤发生较长时间后,基于感觉运动评分来判定功能独立性变得更加可靠。这或许与急性期后神经恢复进入相对稳定的平台期有关。
随机森林表现最佳,序数模型减少严重误判
在所有测试场景中,随机森林(random forest)模型展现了最佳的综合性能,在不同评估指标上平均得分高达0.93 ± 0.03。另一个重要发现是,与多类别分类模型相比,序数分类模型产生的“严重误分类”(即预测类别与真实类别差距过大)更少。这一点具有重要的临床价值,因为将患者错误地划分到需要根本性不同护理方案的功能独立性类别中,可能导致康复资源错配或护理计划不当。
模型捕捉已知临床关联,运动评分预测力更强
对模型决策依据的可解释性分析(SHAP)证实,模型的预测并非“黑箱”,而是建立在临床知识之上。分析指出,运动评分整体上是比感觉评分更强的预测因子。研究揭示了一些具体且符合临床直觉的关联:下肢(特别是腰2至腰4节段,L2–L4)的运动功能与室内移动能力强烈相关;自主肛门收缩(voluntary anal contraction)能力与膀胱管理功能相关;而上肢(特别是颈6和颈8节段,C6, C8)功能则与梳洗能力紧密相连。这证明模型有效地识别并利用了这些已知的神经功能与特定任务表现之间的关系。
综上所述,该研究证实,无论是多类别还是序数模型,都能够基于伤后不同时间点的神经学评估,对基于SCIM的功能独立性结局进行准确分类。其中,序数模型因其能最小化严重误分类而在临床上具有特殊价值。模型的可解释性分析表明其预测根植于临床知识。这项研究为构建一个模块化的预后预测框架奠定了基础。在该框架中,预测出的ISNCSCI评分可用于推导最可能的功能独立性类别,从而为脊髓损伤照护中一系列神经学和功能性结局的预测,提供一种模块化、计算高效且可扩展的方法。这不仅有助于临床医生制定更个性化、更精准的康复目标与计划,也为未来利用人工智能辅助脊髓损伤预后判断提供了重要的方法论参考和实践范例。