外科减压后早期颅内压曲线的预测价值:一项机器学习分析
《Brain and Spine》:Prognostic Value of Early Intracranial Pressure Curve Following Surgical Decompression: A Machine Learning Analysis
【字体:
大
中
小
】
时间:2026年05月03日
来源:Brain and Spine 2.5
编辑推荐:
阿里姆·埃姆雷·巴萨兰(Alim Emre Basaran)|杰马莱丁·戈克苏(Cemalettin G?ksu)|沃尔克·蒂梅(Volker Thieme)|塞巴斯蒂安·斯特赫(Sebastian Stehr)|亚历山德鲁·古兰达(Alexandru Guranda)|约翰内斯
阿里姆·埃姆雷·巴萨兰(Alim Emre Basaran)|杰马莱丁·戈克苏(Cemalettin G?ksu)|沃尔克·蒂梅(Volker Thieme)|塞巴斯蒂安·斯特赫(Sebastian Stehr)|亚历山德鲁·古兰达(Alexandru Guranda)|约翰内斯·瓦赫(Johannes Wach)|蒂姆·温德(Tim Wende)|埃尔德姆·古雷斯尔(Erdem Güresir)|马丁·维乔彭(Martin Vychopen)
德国莱比锡大学医院神经外科部门,邮编04103
**摘要**
背景
颅内压(ICP)的控制是减压颅骨切除术(DC)后治疗成功的关键因素。尽管传统评估方法主要关注ICP的峰值或平均值,但利用曲线下面积(ICP-AUC)连续量化ICP负担的预后相关性仍尚未得到充分研究。本研究旨在通过基于ICP-AUC的分析评估术后前72小时内ICP动态的预后价值,并通过机器学习模型评估其预测性能。
**方法**
本研究回顾性分析了17名接受减压颅骨切除术的患者。在手术后的72小时内持续监测ICP数据。我们计算了标准化的ICP-AUC、最大ICP值,并分别根据基线ICP值15毫米汞柱(mmHg)和20毫米汞柱计算了超过这些阈值的ICP-AUC比例。出院时使用改良Rankin量表(mRS)评估神经功能结果。不良结果定义为mRS = 6(死亡)。
**结果**
标准化的ICP-AUC ≥ 0.5与出院时的不良结果显著相关(Spearman r = 0.50,p = 0.04),且所有ICP-AUC ≥ 0.6的患者均死亡。此外,ICP水平超过20毫米汞柱的时间超过30%的患者与mRS = 6显著相关(p = 0.02)。进一步分析表明,ICP-AUC在阈值15毫米汞柱(p = 0.047)和20毫米汞柱(p = 0.03)以上时也具有显著性。ROC分析显示20毫米汞柱阈值的AUC为0.89,表明预测准确性较高。随机森林模型(Random Forest)的AUC为0.89,精确度为1.00,F1分数为0.80;相比之下,XGBoost模型的预测性能较低(AUC为0.67)。基于15毫米汞柱基线值的模型在预后预测方面效果有限。
**结论**
通过ICP-AUC评估的早期累积ICP负担可能为减压颅骨切除术后的神经功能结果提供可靠的预后标志物。机器学习提高了预测准确性,为神经重症监护中的临床决策支持提供了有前景的方法。
**引言**
颅内压(ICP)监测是管理因恶性中型脑动脉(MCA)梗死、蛛网膜下腔出血(SAH)、创伤性脑损伤(TBI)和脑内出血(ICH)等病理导致颅内高压风险患者的重要手段。1, 2, 3, 4 特别是在接受减压颅骨切除术(DC)的患者中,术后ICP模式的预后价值仍不明确。虽然术后ICP显著降低,但其对ICP负担的影响尚不清楚。3 术后ICP监测有助于通过及时的神经外科干预或针对性的神经重症监护治疗来预防继发性脑损伤。2, 5, 6, 7 尽管DC旨在降低ICP,但它并不能完全消除持续或复发性术后颅内高压的风险。先前研究表明,减压后ICP值仍可能升高,并与神经功能结果相关。5, 6, 7 因此,术后持续ICP监测在临床上尤为重要,尤其是在术后早期阶段,此时仍可能发生继发性脑损伤。
**材料与方法**
本研究回顾性分析了17名因上述病理导致严重脑损伤而接受减压颅骨切除术的患者,这些患者随后出现继发性脑水肿。所有患者均在神经重症监护病房接受治疗。减压颅骨切除术的指征基于神经状态和影像学表现确定。所有患者均接受了基于指南的神经重症监护,以控制ICP。根据既定临床实践应用了标准ICP导向治疗,包括镇静、渗透疗法和其他支持措施。对于尽管采取了这些措施但仍出现难治性颅内高压的患者,进行了减压颅骨切除术。14, 15 术后使用Spiegelberg ICP监测器(HDM 29.2)持续监测ICP,每30分钟记录并自动保存一次数据。ICP监测持续时间因患者临床情况而异。部分患者因病情改善提前终止监测,部分患者因病情恶化而延长监测时间。预后分析的监测周期设定为72小时,以评估早期累积ICP动态与出院时mRS评估的神经功能结果之间的关系。
从连续的ICP测量数据中,我们计算了ICP-AUC、最大ICP值以及超过15毫米汞柱和20毫米汞柱阈值的时间百分比。通过将计算出的AUC除以最大ICP值和总监测时间(72小时)的乘积来标准化ICP-AUC,得到一个无量纲的相对ICP负担指标。选择15毫米汞柱和20毫米汞柱作为阈值,因为这些值被认为对预防继发性脑损伤具有相关性。16, 17, 18
**结果测量**
出院时使用mRS评估神经功能结果,mRS表示从急性住院治疗过渡到康复或其他后续护理状态。mRS是一种广泛使用且经过验证的功能结果评估工具。19 mRS评分分为两组:mRS < 6和mRS = 6,其中mRS = 6表示死亡。mRS评分由经过培训的临床医生根据神经状态和患者记录进行评估。由于研究的回顾性质,部分患者的出院结果数据因临床记录不完整而无法获取。
**统计分析**
为评估术后早期ICP动态的预后价值,我们分析了DC后前72小时内ICP测量值与神经功能结果(出院时mRS)之间的关联。对于连续变量进行了相关性分析(Spearman和Pearson),并比较了分类结果组(mRS < 6 vs. mRS = 6)以评估分类关联。此外,还进行了接收者操作特征(ROC)分析以评估早期ICP测量对不良神经功能结果的预测价值。统计显著性设定为p值< 0.05。所有分析均使用Python(版本3.10)及Pandas、Numpy、Statsmodels和Matplotlib包完成。所有用于分析和可视化的代码可应要求提供。
**基于机器学习的预后评估**
使用72小时术后ICP测量数据训练了随机森林(Random Forest)和XGBoost模型,以预测不良神经功能结果或死亡(mRS < 6 vs. mRS = 6)。预测变量包括标准化的ICP-AUC、最大ICP值以及ICP超过15毫米汞柱和20毫米汞柱阈值的时间百分比。出院时评估神经功能结果。模型训练和评估使用Python中的Scikit-learn库完成。特征贡献通过随机森林和XGBoost图表进行可视化。评估预测性能的指标包括ICP-AUC、精确度、召回率和F1分数。精确度定义为正确识别的阳性病例(例如mRS = 6)占所有预测为阳性的病例的比例,反映模型预测不良结果的可靠性;召回率定义为正确识别的阳性病例占实际阳性病例的比例,反映模型检测不良结果的准确性;F1分数是精确度和召回率的平均值,适用于精确度和召回率不平衡或数据集类别不平衡的情况。
**患者特征**
共有17名患者纳入研究,所有患者均纳入基于结果的分析。缺乏完整结果数据的患者被排除在外。手术时的中位年龄为63岁±11.4岁。其中12名(70.6%)为男性,5名(29.4%)为女性。12名(70.6%)患者术前存在瞳孔不等大现象。10名(58.8%)患者有心脏并发症,6名(35.3%)患者的临床记录中有抗凝治疗记录。16名(94.1%)患者经历过创伤事件。1名(5.9%)患者在术后出现硬膜下血肿(SDH)。创伤性脑损伤类型如下:1名(5.9%)患有创伤性蛛网膜下腔出血(SAH),8名(47.1%)患有创伤性SDH,1名(5.9%)术后出现创伤性SDH,5名(29.4%)同时患有创伤性SAH和SDH,1名(5.9%)同时患有创伤性SAH和脑内出血(ICH),1名(5.9%)同时患有创伤性SAH和硬膜外血肿(EDH)。住院时间为15天±13.2天。患者特征详见表1。
**表1. 患者特征**
- 手术时中位年龄:63岁±11.4岁
- 性别:女性5名/17名(29.4%),男性12名/17名(70.6%)
- 术前瞳孔不等大:是12名/17名(70.6%),否5名/17名(29.4%)
- 心脏并发症:是10名/17名(58.8%),否7名/17名(41.2%)
- 临床记录中有抗凝治疗:是6名/17名(35.3%),否11名/17名(64.7%)
- 初始诊断:创伤性SAH 1名/17名(5.9%),创伤性SDH 8名/17名(47.1%),术后SDH作为并发症1名/17名(5.9%),创伤性SAH和SAH 5名/17名(29.4%),创伤性SDH和ICH 1名/17名(5.9%),创伤性SAH和EDH 1名/17名(5.9%)
- 住院时间(天):15天±13.2天
**分析结果**
72小时ICP测量的分析显示,ICP与mRS相关的预后结果存在关联。将结果分为mRS < 6和mRS = 6两组后,ICP-AUC显示出中等程度的正相关(Spearman r = 0.50,p = 0.04),表明与出院时mRS = 6的不良结果相关。相比之下,Pearson相关性较弱且不显著(r = 0.27,p = 0.338)。在各种ICP指标中,ICP-AUC与神经功能结果的关联最强,而平均ICP的相关性较弱且不显著。
**进一步分析**
为进一步了解术后颅内高压的演变过程,我们不仅分析了ICP峰值,还分析了ICP超过临床相关阈值的持续时间。神经功能结果较差(mRS = 6)的患者表现出更高的累积ICP负担,并且在72小时监测期间有更大比例的时间超过20毫米汞柱阈值。值得注意的是,ICP超过20毫米汞柱的时间超过30%的患者与出院时mRS = 6显著相关。这些结果表明,即使进行了减压颅骨切除术,临床相关的ICP升高仍可能持续存在,且ICP升高的程度和持续时间都与结果相关。
**图1. 基于ICP值标准化AUC的患者特定风险分类**
图1展示了每位患者的标准化AUC,并详细讨论了个体风险分类情况。图中红色区域的所有患者(除一名患者外)出院时均表现为mRS = 6,表明神经功能结果较差。此外,一名mRS = 6的患者仅接受了50小时的ICP监测,与其他患者相比时间较短。图2展示了该分析的一个代表性示例。条形图展示了在术后72小时内连续ICP监测得出的各个AUC值。AUC反映了累积的ICP负担,分析中使用了15毫米汞柱(低/中等)和20毫米汞柱(中等/高)作为参考值。条形图的颜色根据出院时的mRS结果进行分类:红色表示预后不良(mRS = 6,即死亡),绿色表示预后良好(mRS < 6),橙色代表接近AUC阈值0.5的中间区域,在该区域预后和ICP负担之间的关联不明确。AUC ≥ 0.5的患者通常与mRS = 6相关,表明累积ICP负担较高,预后较差。相反,AUC < 0.5的患者预后较好(mRS < 6)。
图2. 显示了减压颅骨切除术后72小时内ICP动态变化的示例。ICP值在术后72小时内被持续监测。虚线红线表示临界阈值15毫米汞柱。低于该阈值的区域表示累积ICP负担,通过曲线下的面积AUC来量化。如高亮区域所示,累积ICP暴露的增加与术后神经功能不良(mRS = 6)相关。
在mRS < 6和mRS = 6之间进行二分的情况下,我们的研究结果表明,在大多数情况下AUC ≥ 0.5与mRS = 6相关。值得注意的是,所有AUC ≥ 0.6的患者都表现出不良的神经功能结果(mRS = 6),而AUC < 0.5的患者则与mRS < 6显著相关。t检验显示ICP阈值≥20毫米汞柱与出院时mRS = 6显著相关(p = 0.03)。此外,卡方检验也证实了ICP水平≥20毫米汞柱与mRS = 6之间的关联。我们的进一步分析表明,当ICP值在72小时监测期间超过20毫米汞柱的时间超过30%时,这也与出院时mRS = 6显著相关(p = 0.02)。
使用15毫米汞柱作为ICP阈值进行的分析也证实了其与mRS = 6之间的显著关联(p = 0.047)。
为了评估术后72小时内ICP测量对不良神经功能结果(定义为mRS = 6)的预测准确性,进行了接收者操作特征(ROC)分析。为整个患者群体(n = 17)计算了ROC曲线和相应的AUC值。选择了两个临床相关的阈值,15毫米汞柱和20毫米汞柱进行预后评估。在15毫米汞柱阈值下,AUC为0.78,表明区分出院时mRS = 6和mRS < 6的患者的区分能力中等。在20毫米汞柱阈值下,AUC增加到0.89,显示出对不良神经功能结果(mRS = 6)的高预测准确性。两条ROC曲线均显示在图3中。
随机森林分类模型使用ICP-AUC、最大ICP值以及ICP超过20毫米汞柱的百分比来预测mRS = 6,显示出高ICP-AUC(0.89)和F1分数(0.80)。随机森林模型的精确度为1.0,意味着所有mRS = 6的患者在出院时都被正确识别。召回率为0.67,意味着三分之一的mRS = 6患者未被检测到。相比之下,XGBoost模型在所有四个指标上的值均为0.67。因此,尽管XGBoost模型的准确性较低,但其预测准确性也属于中等水平,尽管误分类率较高。
此外,还比较了两种机器学习模型在15毫米汞柱ICP阈值下的预测性能。随机森林模型在15毫米汞柱阈值下的ICP-AUC为0.55,表明预测有效性有限。其他性能指标(包括精确度、召回率和F1分数)均为0.40,反映出整体预测准确性较低。相比之下,XGBoost模型的ICP-AUC为0.50,精确度、召回率和F1分数也均为0.40,表明在15毫米汞柱阈值下其预测能力并不优于随机森林模型。
本研究的目的是评估减压颅骨切除术后72小时内ICP监测的预后价值,通过出院时的mRS来评估神经功能结果。为此,患者数据集被分为两组:mRS < 6和mRS = 6。我们的研究结果表明,在术后72小时内ICP-AUC标准化值大于0.5的患者在出院时出现mRS = 6的风险显著增加。此外,随机森林分类器在识别预后良好的患者(mRS < 6)方面表现出高准确性。然而,由于样本量有限和潜在的过拟合问题,这一发现应谨慎解读。此外,本研究中使用的两个阈值(15毫米汞柱和20毫米汞柱)在预测mRS = 6方面没有显著差异。重要的是,研究群体包括难治性颅内高压患者,因为所有患者都是在标准ICP导向治疗失败后接受减压颅骨切除术的。然而,ICP导向治疗并未在患者之间标准化,而是基于个体临床决策,这可能影响了ICP动态。与传统ICP指标相比,ICP-AUC显示出更高的预后相关性,支持了累积ICP测量可能比单独的指标(如平均ICP)提供更有临床意义的信息的观点。
除了其预后意义外,我们的研究还支持术后ICP监测的持续临床重要性。尽管减压颅骨切除术旨在降低ICP,但我们的发现表明,升高的ICP值可能在术后早期持续存在,并与不良神经功能结果相关。这一观察在临床上很重要,因为它挑战了仅靠减压手术就足以消除进一步ICP监测需求的假设。重要的是,基于AUC的方法不仅捕捉了ICP峰值,还捕捉了颅内高压的持续时间和累积负担,从而比传统的单点测量提供了更全面的术后ICP动态表示。与先前的研究一致,时间依赖的ICP指标可能比传统的单点测量(如平均ICP)具有更大的预后价值。
Sauvigny等人的回顾性研究调查了102名患有恶性大脑中动脉(MCA)梗死和创伤性脑损伤(TBI)并接受减压颅骨切除术(DC)的患者,分析了术后ICP与神经功能结果之间的关联。ICP在168小时内每小时测量一次。他们的结果显示,ICP阈值≥15毫米汞柱和≥20毫米汞柱与不良结果之间存在统计学上的显著差异。基于每小时ICP测量,他们确定了10-17毫米汞柱之间的临界ICP值,这些值显著影响了30天死亡率和康复结束时的功能结果,中位随访时间为129天。尽管方法相似,但本研究发现15毫米汞柱和20毫米汞柱的ICP阈值与出院时mRS = 6之间没有显著差异。
Hernández-Durán等人的研究涉及111名患有恶性MCA梗死的患者,也在72小时内进行了ICP监测。该研究的主要目的是确定死亡率的预后ICP阈值。作者发现,平均ICP超过10毫米汞柱是死亡的强预测因子。此外,常见的临床参数(如年龄和初始GCS评分)与生存率无显著关联。我们的发现支持这些结果,因为我们证明ICP-AUC标准化值大于0.5与不良神经功能结果(mRS = 6)显著相关。虽然Hernández-Durán等人关注的是平均ICP值,但我们的研究采用了基于AUC的方法来动态捕捉同一72小时内的累积ICP负担。两项研究都强调了术后早期ICP监测在预测减压颅骨切除术后神经功能结果方面的关键重要性。几项研究调查并强调了术后ICP监测的重要性及其与GCS和mRS的关联。
与以往的术后ICP监测研究不同,我们的方法使用ICP-AUC标准化值来量化最初72小时内的ICP动态。与以往主要依赖平均、中位数和最大ICP值的研究不同,我们的方法提供了累积的、时间整合的、动态的ICP负担测量。这种方法捕捉了ICP峰值的幅度和持续时间,包括超过临床相关阈值(如20毫米汞柱和15毫米汞柱)的时间百分比。根据ICP-AUC标准化阈值0.5对患者进行二分,使我们能够定义一个与mRS = 6相关的实用且可重复的临界值,在我们的队列中这反映了死亡率。与主要采用回归分析的先前研究相比,我们的研究结合了传统统计方法和机器学习模型,提高了基于72小时ICP数据的神经功能结果预测的预测性能和临床适用性。
本研究的发现提供了令人信服的证据,表明在减压颅骨切除术后最初72小时内基于ICP-AUC的监测是预测出院时神经功能结果的有效且具有临床意义的标志。在我们的队列中,ICP-AUC标准化值大于0.5与mRS = 6持续相关。这一阈值可以在动态ICP监测协议中作为一个实用的标志,以支持临床决策。与主要关注特定ICP值(如平均或峰值压力)的先前研究不同,我们的方法提供了ICP负担的累积预后评估。此外,我们的方法即使在ICP峰值不显著的患者中也能进行风险分层,通过捕捉颅内高压的总体持续时间和强度。因此,可以在早期阶段识别出ICP-AUC值超过定义阈值的患者,从而及时采取治疗干预措施,以防止潜在的继发性脑损伤。先前的研究表明,在神经重症监护中,更早和更有针对性的ICP监测和管理与更好的神经学结果相关。相反,累积ICP暴露较低(ICP-AUC较低)的患者可能免于不必要的或过于激进的重症监护治疗,这也会带来不良影响并降低生活质量,尤其是在重症监护后综合征(PICS)的背景下。此外,我们的研究表明,机器学习方法(特别是随机森林分类器)在识别mRS评分小于6的患者方面具有很高的预测准确性。尽管患者数量有限,但由于数据具有纵向性质,在72小时期间进行了多次ICP测量,因此每位患者都有大量的数据点,这可能支持使用机器学习方法来整合时间依赖性特征。这些发现强调了ICP-AUC作为数字和客观指标的稳健性,并支持其在神经重症监护管理中的早期预警系统中的应用潜力。尽管只有17名患者完成了72小时的ICP测量,但我们仍使用机器学习模型(随机森林和XGBoost)以探索ICP负担的动态变化。使用机器学习模型对小规模患者队列进行统计分析本身具有挑战性,因为存在过拟合的风险,尤其是当观测值(n)少于预测变量(p)时。为了降低这种风险,我们有意将研究中的预测变量数量限制在具有临床意义的特征上:标准化ICP-AUC、最大ICP值以及ICP超过20 mmHg的时间百分比。
对于许多机器学习算法来说,n ? p的条件对于实现稳健和泛化的性能至关重要。尽管存在这一限制,我们的研究表明,基于机器学习的发现可以作为生成假设的工具,并且即使在小规模队列中,当预测变量基于临床相关变量时,数据驱动的风险分层仍可以提供有意义的见解。鉴于样本量有限,观察到的预测性能(ICP-AUC在15 mmHg时为0.78,在20 mmHg时为0.89)应被视为探索性发现,而不是统计上的确证证据。
本研究有几个重要的局限性,在解释结果时应予以考虑。首先,样本量小限制了分析的统计功效并降低了我们发现的普遍性。鉴于接受DC治疗的患者具有不同的病理和临床特征,这一点尤为重要。已建立的临床预后因素(如年龄、GCS和瞳孔状态)没有系统地纳入分析中,这限制了直接比较ICP-AUC与已知预测因子的能力,应在未来的研究中加以解决。ICP导向治疗策略的变异性可能会影响观察到的ICP模式和临床结果,从而成为潜在的偏见来源。此外,部分患者的结果数据缺失也是潜在的偏见来源,尤其是在小规模队列中。尽管大多数患者都有结果数据,但数据集的不完整性可能会影响观察到的关联。此外,在小数据集中应用机器学习模型存在过拟合的风险,尤其是当观测值数量相对于预测变量数量较少时。尽管我们试图通过将模型限制在具有临床意义的少数预测变量上来降低这种风险,但报告的预测性能仍应谨慎解读。另外,使用30分钟间隔记录的ICP测量值可能限制了捕捉ICP短期波动或短暂峰值的能力。因此,ICP的短暂升高可能被低估,这可能会影响ICP-AUC等累积指标的准确性。然而,72小时内的纵向数据收集为每位患者提供了大量的测量数据,这可能仍然反映了整体趋势和颅内高压的临床相关负担。此外,重复测量的聚合可能有助于提高衍生特征的稳健性,特别是在基于机器学习的分析中。本研究没有系统地评估护理的撤回或限制,这可能会影响患者结果,成为潜在的偏见来源。此外,本研究没有评估初始72小时期之后的ICP动态。虽然这个时间框架涵盖了术后早期阶段,但延迟的ICP升高可能被遗漏,应在未来的研究中加以考虑。此外,ICP监测的持续时间因患者的临床进程而异,这可能会在分析数据中引入额外的变异性。此外,神经学结果是在医院出院时评估的,这反映了早期功能状态,而不是如3个月随访这样的标准化长期结果指标。这可能限制了我们的发现与使用已建立的长期结果终点的研究之间的可比性。此外,使用mRS而不是GOSe可能会限制与专门针对创伤性脑损伤的研究的直接可比性。因此,本研究的发现应被视为探索性和生成假设的,而不是确证性的。需要更大规模、前瞻性和多中心的研究来验证ICP-AUC的预后价值,并确定基于机器学习的方法在这种环境中的临床实用性。
总之,本研究的结果表明,DC术后72小时的ICP监测和ICP-AUC指标分析为出院时通过mRS测量的神经学结果提供了一个有效的预后标志。与主要依赖于单时间点值或平均ICP的先前研究不同,我们的发现表明,基于累积ICP-AUC的方法可以改善风险分层。此外,随机森林分类器和XGBoost的成功实施显示出高预测性能,强调了机器学习工具在神经重症监护中增强临床决策的潜力。需要进一步的多中心研究,使用更大的队列来验证基于ICP-AUC的监测方法,并确定先进机器学习模型在准确预测神经学结果方面的临床实用性。
**出版同意**:不适用
**伦理批准和参与同意**:该研究获得了莱比锡医科大学伦理委员会的批准(批准号146/08-ek),该委员会免除了对这种回顾性分析去标识化常规临床数据的书面知情同意要求。
**作者贡献**:
数据分析:AEB、CG、VT;手稿起草:AEB;监督:MV;审稿编辑:JW、AEB、EG、TW;设计/研究:AEB。
**数据可用性声明**:本研究生成和分析的机构临床数据可在合理请求下从相应作者处获得。
**资金**:本研究未获得任何资助。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号