机械取栓术后缺血性卒中患者脑卒中后癫痫的可解释预测模型的构建与验证：一项多中心回顾性队列研究

《Stroke and Vascular Neurology》：Development and validation of an explainable prediction model for post-stroke epilepsy in patients with ischaemic stroke following mechanical thrombectomy: a multicentre retrospective cohort study

　　摘要
目的：在本项回顾性多中心队列研究中，我们旨在构建并验证一种可解释的机器学习模型，用于预测接受机械取栓术治疗的患者术后早期癫痫发作的风险。我们假设，利用电子病历数据构建的机器学习模型能够准确预测接受机械取栓术治疗的急性缺血性卒中患者的术后早期癫痫发作风险。
方法：我们从2017年至2022年间在两家医院接受机械取栓术治疗的1185名成年患者中收集数据以构建模型，并使用三家外部中心的数据进行验证。通过Cox回归、最小绝对收缩和选择算子回归以及Boruta算法筛选关键变量。共使用了八种机器学习算法来构建模型。模型性能通过一致性指数和综合布里尔分数进行评估。此外，还通过接收者操作特征曲线下面积以及校准曲线来评估1年、3年和5年的术后早期癫痫发作风险预测准确性。决策曲线分析用于评估模型的临床实用性，同时量化各特征的重要性。
结果：构建模型时采用了包含九个特征的最优组合。在八种机器学习模型中，随机生存森林模型表现最佳，在三个外部验证队列中均保持了良好的区分能力（一致性指数分别为0.812、0.822和0.763；AUC值在0.748–0.837、0.795–0.839和0.763–0.833之间）。最终，我们基于该模型开发了一个在线计算工具（https://pseshiny.shinyapps.io/shinydashboard_sa_1model/）。
意义：该预测模型有助于识别接受机械取栓术治疗后术后早期癫痫发作高风险患者，从而为个性化治疗策略提供支持。

背景知识
术后早期癫痫发作是缺血性卒中后常见且严重的并发症，会进一步加重神经功能损害，尤其影响那些接受血管内治疗的患者。已有若干预测模型试图识别术后早期癫痫发作高风险人群，例如在欧洲队列中开发的SeLECT评分系统。然而，这些模型大多基于传统的Cox回归方法，且主要基于未接受机械取栓术的一般卒中患者群体。此外，这些模型在发展中国家的适用性，尤其是在接受急性再灌注治疗的患者中的应用情况，尚未得到验证。鉴于机械取栓术在全球范围内的广泛应用及其可能改变卒中病理生理过程的作用，迫切需要针对这一治疗群体开发具有针对性、可推广且易于理解的预测工具。

本研究贡献
本研究首次在中国多中心队列中，利用电子病历数据构建并对外部验证了一种可解释的机器学习模型，用于预测接受机械取栓术后的术后早期癫痫发作风险。通过共识特征选择策略，我们确定了九个关键预测因子，并证明随机生存森林模型在内部和外部验证中均表现出出色的区分能力和校准性能。此外，我们还运用Shapley加性解释方法，从整体和个体层面提升模型的可解释性，并开发了一个公开可用的在线工具，允许根据常规临床指标实时估算术后早期癫痫发作风险。

研究意义
该预测模型有助于早期识别高风险患者，为个性化抗癫痫治疗提供依据。它还可用于临床试验中的患者分层，提高效率，降低药物研发的成本与风险。其在线应用形式使其在各种医疗环境中都具有广泛的转化潜力。此外，本研究为在资源有限地区应用基于人工智能的预后工具提供了可行范例，有助于推进精准医疗，促进健康公平。

引言
术后早期癫痫发作是一种严重的卒中并发症，可能带来生命危险。反复发作的癫痫会进一步加重神经功能损害，增加不良结局的风险。国际抗癫痫联盟将术后早期癫痫发作定义为卒中发生7天后出现的无诱因癫痫发作，且伴有反复发作的癫痫症状。早期发作的癫痫不符合癫痫的诊断标准。术后早期癫痫发作的发病率因地区和卒中类型而异，大约2–14%的缺血性卒中患者和10–20%的出血性卒中患者会出现该症状。患有术后早期癫痫发作的患者，其死亡风险比没有癫痫的患者高70%，认知功能下降的风险则高40%。此外，该疾病还会增加患者残疾和依赖他人的风险。早期预测并及时干预有望改善患者的长期生活质量。动物实验表明，早期使用抗癫痫药物干预可有效控制术后早期癫痫发作，但大多数针对人类术后早期癫痫发作预防的临床试验并未取得成功，原因在于无法准确识别高风险人群。因此，准确识别高风险个体对于预防术后早期癫痫发作至关重要。

机械取栓术是目前治疗大血管闭塞所致急性缺血性卒中的标准方法，能够提高患者的生存率和功能恢复率。该手术在所有卒中病例中的应用比例约为5–10%。目前针对一般卒中患者的术后早期癫痫发作预测模型并未专门针对接受急性再灌注治疗的患者群体。尽管机械取栓术可能降低术后早期癫痫发作的总体风险，但仍存在治疗患者间的临床差异。由于初始脑损伤程度、再灌注状况、出血性转化、大脑皮层受累情况以及早期癫痫发作时间的不同，部分患者仍面临较高的发病风险。因此，对于大血管闭塞型卒中患者，识别术后癫痫发作风险因素对于早期风险分层和个性化监测具有重要意义。

在此背景下，电子病历系统为构建可靠的术后早期癫痫发作预测模型提供了坚实基础。随着电子病历系统的日益普及以及机器学习技术的快速发展，越来越多的研究致力于开发此类预测模型。目前，发达国家的大型医院已开始利用相关数据开发通用住院患者的术后早期癫痫发作预测模型，虽然这些模型性能尚可，但其适用性取决于数据来源群体的特征。国际术后早期癫痫发作研究联盟呼吁在不同地区、不同人群及不同临床环境下开发此类预测模型。为弥补现有不足，我们构建并验证了一种可解释的机器学习模型，用于识别接受机械取栓术治疗的急性缺血性卒中患者中的术后早期癫痫发作病例。

研究设计、人群与流程
我们在两家三级转诊医院（吉林大学中日联合医院和吉林大学第二附属医院）的回顾性队列中构建了该模型，并使用三个外部队列（中国医科大学盛京医院、锦州医科大学附属第一医院以及浙江省人民医院）对模型进行了验证。图1展示了参与者筛选流程。我们纳入了2017年1月1日至2022年12月31日期间因急性缺血性卒中接受机械取栓术治疗的18岁及以上连续成年患者。排除了有癫痫发作史、机械取栓术前24个月内有过卒中病史，或存在易患癫痫因素（如酒精或药物滥用、颅内肿瘤、脑外伤及脑部手术史）的患者。此外，那些在访谈前已去世、在随访期间再次发生卒中或失访的患者也被排除在外。入院时，由神经科医生评估基线特征。所有参与者平均随访时间为41个月（标准差为20个月），术后早期癫痫发作情况是通过电话访谈并结合改良后的标准化问卷进行确认的（详见在线补充表S1）。对于无法完成问卷填写的参与者，则由其护理人员或全科医生代为填写。必要时，还会进行面对面的神经学评估和脑电图检查。如果神经科医生怀疑癫痫发作并非由最初的卒中引起，还会要求进一步进行影像学检查，以排除其他合并疾病或再次梗死的可能性。

外部验证队列的基线特征是从电子病历系统中获取的，疑似癫痫发作病例则需接受进一步的诊断评估。关于癫痫发作结果的确定和验证的详细信息详见在线补充文本S1。部分确诊患有术后早期癫痫发作的患者的脑电图检查结果可见于在线补充图S1。我们根据每位参与者从基线调查日期（2017–2022年）到术后早期癫痫发作诊断确定日或随访结束日（2024年5月，以较早者为准）的时长，计算其个人随访年数。模型构建与验证严格遵循“多变量预测模型个体预后或诊断透明报告”标准，以确保报告的规范性（详见在线补充文件2）。关于偏差控制的更多细节可见在线补充文本S2。图2展示了整个研究框架。

定义
根据2014年国际抗癫痫联盟的实用定义，术后早期癫痫发作是指卒中发生7天后出现的一次或多次无诱因癫痫发作。因此，该模型适用于卒中发生后第7天以后的情况，而卒中发生后7天内的癫痫发作则被视为预测因子而非结局指标。侧支血管状况是根据美国介入治疗与神经放射学会/介入放射学会的侧支血管分级系统进行评估的（详见在线补充表S2和在线补充图S2）。关于出血性转化及卒中相关呼吸道感染的定义和评估标准详见在线补充文本S3。血管造影图像和CT血管造影数据会被数字化传输至核心实验室进行标准化分析。基线侧支循环等级和闭塞迹象由两位具有15年以上血管造影解读经验的评估者独立判定，且两人均不知晓患者的最终预后情况（详见在线补充图S2和在线补充表S3）。

数据收集
来自吉林大学中日联合医院电子病历系统的人口统计学和临床信息包括年龄、性别及既往病史。我们还收集了吸烟状况、卒中病因以及入院时的临床评估数据。关于机械取栓术的详细信息也被记录下来，包括改良版脑梗死治疗评分、静脉溶栓情况、闭塞位置及受影响的脑区。根据数据使用协议，来自吉林大学第二附属医院及另外三家外部中心的数据会被传输至吉林大学中日联合医院，然后在当地采用类似的方法进行提取和分析。为避免过拟合，同一地区的两家三级医院的患者数据被分开处理，其中70%用于模型训练，30%用于内部验证。通过三个独立数据集的外部验证，评估了该模型的稳健性和普遍适用性。关于模型构建与验证流程的详细信息详见在线补充文本S4。

特征选择
我们采用Cox比例风险回归、LASSO-Cox和Boruta算法进行多变量建模，分析了训练队列中的41个潜在影响因素。所谓“共识变量”，是指三种方法共同选出的特征（详见在线补充文本S5）。

模型构建与比较
模型构建时采用了九个特征：意识障碍、基底节苍白征、出血性转化、再灌注失败、侧支循环不良、早期癫痫发作、基线NIHSS评分、额叶受累情况及颞叶受累情况。对于数据不完整的情况，我们采用了多重插补法进行处理（详见在线补充表S4–S7）。我们共使用了八种机器学习算法：Cox比例风险生存学习器、LASSO、岭回归、条件推断树、轻量级梯度提升机、弹性网络、随机生存森林以及极端梯度提升生存学习器。为了优化这些模型，我们结合网格搜索策略与细致的手动调整，以确定最优的超参数。

对于1年、3年和5年的术后早期癫痫发作风险预测，我们通过接收者操作特征曲线下面积、一致性指数、综合布里尔分数以及决策曲线分析等方法进行评估。模型选择时以较大的AUC值为首要标准，其他指标则用于从不同角度了解模型的整体性能。

模型解释
Shapley加性解释方法提供了全局和局部的可解释性。该方法生成的特征重要性得分揭示了输入变量与术后早期癫痫发作结果之间的关联。对于个别病例，局部解释则利用该患者的具体临床数据，帮助进行个性化的风险评估。

网络计算工具
最终的预测模型被整合到一个基于Shiny应用程序框架构建的网页平台上。输入相应特征值后，该平台即可输出术后早期癫痫发作的概率以及累积发病率曲线。

统计分析
连续变量根据Kolmogorov–Smirnov检验的结果，以均值±标准差或中位数（四分位距）的形式表示；分类变量则以计数和百分比的形式呈现。对于组间比较，若连续变量呈正态分布，则使用独立样本t检验，非参数数据则使用Mann–Whitney U检验。对于分类变量之间的比较，当预期频率小于5时使用Fisher精确检验，否则使用χ2检验。预测性能则通过AUC值来评估。所有统计分析均使用R V.4.2.1软件完成，所使用的包包括“tidyverse”、“survival”、“mlr3verse”、“mlr3proba”、“mlr3extralearners”、“timeROC”、“riskRegression”和“dcurves”。双侧p值小于0.05视为具有统计学显著性。

结果
患者特征
共有2381名接受机械取栓术治疗的急性缺血性卒中患者被纳入研究，他们分别被分配到构建模型组（n=1185）和外部验证组（n=1196），这些患者来自五家不同的医院。研究队列被随机分为训练集（70%）和内部验证集（30%）（图1）。整个队列中5年内的PSE累积发病率为7.60%（n=181），其中1年内发病率为3.19%（n=76），3年内发病率为6.22%（n=148）。在初始研究队列中（n=1185），有98名患者（8.3%）在5年内出现PSE，其中1年内为39例（3.3%），3年内为77例（6.5%）。在外部验证队列中，5年的PSE累积发病率为6.0–8.2%，3年为5.4–6.9%，1年内为2.7–3.9%。ZPPH机构报告的1年发病率最低，为2.7%，而FAH机构报告的发病率最高，为3.9%。整个初始研究队列的中位随访时间为41个月（标准差为20个月）。在外部验证队列中，SJH机构的中位随访时间为38个月（标准差为16个月），FAH机构为47个月（标准差为19个月）。在ZPPH机构，参与者在中位48个月（标准差为20个月）时完成了结构化的电话随访评估。表1总结了初始研究队列以及三个验证队列的人口统计学特征和临床结局。在线补充表S8则按PSE状态展示了所有队列的分层人口统计学数据。所有队列中患有PSE的患者年龄均更大，临床表现也更严重，包括早发性癫痫发作和高血压的发病率也更高。这些患者的额叶、颞叶和顶叶受累情况更为常见，基线NIHSS评分更高，意识状态较差，住院时间也更长。

特征选择方面，从最初的41个候选预测因子中，单变量Cox回归分析筛选出了13个具有显著意义的特征（p<0.05）（在线补充表S9）。LASSO回归分析则选出了9个系数非零的预测因子（图3a和b）。Boruta算法也识别出了10个预测因子（图3c）。通过三种方法的综合分析，并结合临床背景和专家判断，最终有9个特征被纳入预测模型的构建中：意识状态异常、BGB征、高血压、再灌注失败、侧支循环不良、早发性癫痫发作、基线NIHSS评分、额叶受累以及颞叶受累（图3d和在线补充图S3）。这些预测因子都被纳入了最终模型。方差膨胀因子分析显示，所选变量之间不存在显著的多重共线性（在线补充表S10）。

在初始研究队列中，我们对这八个生存分析模型在预测性能方面进行了评估和比较（表2及图3e–g）。在训练集中，所有模型的C指数和AUC值均高于0.800。RSF模型在C指数和AUC方面表现最佳，其次是XGBoost模型。各模型在1年、3年和5年时的AUC值详见在线补充图S4。RSF模型和XGBoost模型在所有时间点上的预测性能始终处于领先地位，其后依次是Ctree模型、Ridge回归模型和LightGBM模型。相比之下，Coxph模型、LASSO模型和Enet模型的预测准确度则处于中等水平。校准图显示，XGBoost模型在1年、3年和5年时预测结果与实际发生情况的吻合度最高，其次是RSF模型、Ctree模型、Coxph模型、LASSO模型、Ridge模型、LightGBM模型和Enet模型（在线补充图S4）。DCA分析表明，RSF模型在1年、3年和5年的预测中均具有较好的净收益，这一优势与其他模型相似（在线补充图S6）。

在内部验证队列中，RSF模型再次展现出最佳的总体性能，其C指数最高，为0.817，IBS值最低，为0.034。该模型还保持了较强的时间依赖性鉴别能力，尤其是在3年时（AUC为0.822，95%置信区间为0.676至0.969）和5年时（AUC为0.847，95%置信区间为0.728至0.966）。1年时，RSF模型的AUC值为0.859，略低于LightGBM模型的AUC值（0.861）（在线补充图S5）。在外部验证队列中，RSF模型在大多数时间点的预测性能都最为出色（图3e–g）。1年、3年和5年时的AUC值均明显高于其他算法，这说明其鉴别能力更强且更稳定（在线补充图S7）。在C指数方面，RSF模型的表现更为突出，其数值显著高于其他竞争模型。此外，RSF模型在三个外部验证队列中的IBS值也都较低（在线补充图S8）。DCA分析进一步证实了RSF模型在预测1年、3年和5年发生PSE方面的临床实用性（在线补充图S9）。总体而言，RSF模型对于接受过血栓切除术患者的PSE发生风险具有较高的预测准确性。

从整体上来看，RSF模型发挥了良好的预测功能。图4a指出了该模型中三个关键的预测因子：高血压、基线NIHSS评分以及早发性癫痫发作。图4b则展示了九个变量的SHAP值，反映了各个变量对预测结果的正面或负面影响。从局部角度而言，该模型通过量化并可视化每个特征对预测的贡献，揭示了其决策过程。我们以四名具有代表性的患者为例来说明模型的可解释性：（1）一名62岁的男性，其在12个月内出现了PSE；（2）一名74岁的女性，PSE在36个月后出现；（3）一名72岁的男性，PSE在60个月后出现；（4）一名59岁的女性，在随访期间未出现PSE（图4c–f）。例如，导致PSE预测结果的关键因素包括入院时的意识状态异常、颞叶皮质受累、住院期间的高血压以及NIHSS评分为27分（图4c）。不过，一些有利因素，如良好的侧支循环、无额叶皮质梗死以及数字血管造影检查中无BGB征，都能降低PSE的风险。与另外三名患者不同，这名患者的预测结果为0.48，说明其未出现PSE（图4f）。

该预测模型被开发成了一个便于临床使用的工具（在线补充图S10）。通过输入九项特定的临床参数，这个在线平台能够自动对接受过血栓切除术的患者进行PSE风险评估。临床医生可以将相关患者数据输入到这个公开可用的系统中，从而获得个性化的风险预测结果：https://pseshiny.shinyapps.io/shinydashboard_sa_1model/。

我们利用常规收集的临床数据和神经影像学数据构建了一个用于预测血栓切除术后PSE发生的模型，并在三家独立的医疗机构对其性能进行了外部验证。通过严格的特征选择、模型构建、验证、解释以及模型应用等步骤，该模型展现出了强大的鉴别能力和临床实用性。这项多中心研究利用来自发展中国家五家医院的电子健康记录数据，构建并对外验证了这一预测模型。由于研究队列在地理位置、经济水平、卒中严重程度以及PSE发生率等方面存在差异，因此该模型具有较强的通用性和代表性，适用于不同层次的医疗系统，也适合临床实际应用。

该模型稳定的鉴别性能得益于系统的特征选择流程。最终入选的预测变量是通过整合Cox回归、LASSO回归和Boruta算法确定的，这种方法避免了单一方法可能存在的选择偏差，从而得到了最优的预测特征，提升了模型在不同验证队列中的通用性。鉴于电子健康记录数据的客观性、可靠性和易获取性，本研究将其与机器学习算法相结合，用于构建预测模型，进而推动了个性化医疗的发展，提升了医疗质量。对比八种不同的机器学习算法后可知，RSF模型不仅具有出色的鉴别性能，同时还保持了良好的准确性、校准性能以及临床实用性。这些优势在多中心的外部验证队列中也得到了体现。RSF模型采用了集成学习框架，通过多数投票的方式整合多个决策树的预测结果，从而提升了预测的一致性和模型的稳定性。RSF算法的预测价值在多种医学应用领域都已得到充分证明。机器学习模型本身缺乏透明度，这一特点成为了其临床应用的一大障碍。由于难以理解模型的输出结果，临床医生往往不愿依据这些信息做出重要的医疗决策。为了解决这一问题，我们的研究引入了SHAP技术，用以阐明模型的运作机制。此外，我们还开发了一个在线PSE预测工具，为医生和患者提供实时预测结果，帮助他们及时制定治疗方案。该模型旨在作为卒中后第7天的风险分层工具，在完成前7天的卒中评估、所有预测因子都已确定之后使用。因此，它非常适合在后续的住院治疗期间以及出院后进行风险分层。

该模型的预测特征包括影像学指标（如BGB征、高血压、侧支循环不良、额叶受累和颞叶受累）、医疗行为指标（如再灌注失败）、急性神经系统并发症指标（如早发性癫痫发作和意识状态异常）以及疾病严重程度指标（如基线NIHSS评分）。综合运用这些变量有助于更精准地对PSE风险进行分层。例如，Freiman等人发现，患有PSE的患者的基线NIHSS评分明显高于未患PSE的对照组，这说明卒中发作时的严重程度越高，神经系统恢复越迟，癫痫发作的风险也就越大。Rosenow等人则指出，入院时的NIHSS评分升高是PSE的独立风险因素。我们的研究结果也支持了这些发现，表明较高的基线NIHSS评分是PSE发生的显著预测因子。再灌注失败也被纳入最终模型中，作为重要的预测因子，这是因为先前的研究表明，再灌注不完全或失败可能会持续造成缺血性损伤，增加梗死范围，延长大脑皮层的脆弱期，进而增加癫痫发作的风险。不同病理情况下，容易发生癫痫发作的脑区也有所不同。颞叶的海绵状血管畸形比其他部位的癫痫风险更高。关于PSE的病变研究显示，右侧额叶盖区和左侧顶上小叶经常出现梗死，而颞叶梗死则与更早的癫痫发作有关。我们的研究结果也支持了这种区域特异性癫痫发作的观点。额叶和颞叶的受累、早发性癫痫发作以及高血压都是PSE的重要预测因子。高血压可能通过破坏血脑屏障后释放炎症介质来促进PSE的发生。Galovic等人将早发性癫痫发作视为一种风险因素，并基于卒中严重程度、皮质受累情况、大动脉粥样硬化以及大脑中动脉供血区域受累情况，开发了SeLECT模型。此外，我们还发现，卒中发作时出现意识状态异常的患者，发生PSE的风险更高。Lamy等人对581名患者的研究也表明，卒中发作时的意识状态异常与PSE之间存在显著关联。在该模型中，BGB征和侧支循环不良是仅有的两项数字血管造影相关指标。再通后的血管造影中出现的BGB征与血肿体积的增加密切相关。BGB征的存在可能表明存在内皮损伤和血脑屏障功能受损。我们的研究也发现，侧支循环不良是PSE的显著风险因素。尽管以往的研究很少报道二者之间的直接关联，但Forestier等人发现，侧支循环不良与治疗后更大的梗死体积、更快的梗死核心进展以及更差的神经功能预后之间存在显著关联。我们推测，ASITN/SIR评分低于2的卒中幸存者可能存在侧支循环不良，而这可能成为PSE发生的诱因。

当然，这项研究也存在一些局限性。首先，由于其为回顾性研究，无法完全排除那些残留的或未被测量的混杂因素。关于这些方法学局限性的详细讨论可见在线补充文本S6。其次，电话随访并非诊断癫痫发作的金标准。在CJUH和TSAH研究队列中，我们先是通过经过验证的问卷进行初步的电话筛查，随后再由神经科医生进行面对面的评估。通过在其他队列中采用电话随访（SJH和ZPPH）或面对面随访（FAH）的方式进行验证，进一步证明了该模型的稳健性，表明其在不同评估方式下的表现都较为一致。第三，抗癫痫药物的使用情况并未被系统地记录下来，这可能会引入与治疗相关的混杂因素。如果高风险患者，尤其是那些出现早发性癫痫发作的患者，在出院后更有可能服用抗癫痫药物，而这类药物又能减少后续的癫痫发作，那么实际观察到的PSE发病率可能会被低估，预测因子与疾病结局之间的关联也会减弱。不过，由于预防性使用抗癫痫药物在常规临床实践中并不常见，出院后的治疗方案也不统一，而且早发性癫痫发作已被列为核心预测因子，因此这种偏差的影响可能并不大。第四，目前研究中的一些影像学语义特征仍依赖于观察者的主观判断。未来的研究可以通过将定量影像学特征或放射组学特征纳入现有的、易于临床理解的框架中，从而提高研究的客观性。第五，虽然该模型在多个中国多中心队列中表现良好，但其在其他种族群体中的通用性仍有待确定。遗传背景、临床实践模式、影像学检查流程、血栓切除术后的护理措施以及医疗资源的可用性等方面的差异，都可能影响模型在不同地区的表现。在中国以外的不同种族人群和医疗系统中进行进一步的外部验证是必要的，才能将其应用到实际中。结论：在这项多中心研究中，我们开发并验证了一种可解释的RSF模型，该模型能够准确预测血栓切除术后的PSE风险，从而有助于早期干预和个性化治疗，未来还需要进行更广泛的验证和临床应用研究。脚注：SL负责本文的构思及整体内容把控。ZJ、MD、JJ、XG、PJ、ZW、QG、FW、HS、XL、HJ、YS、JC和ZW负责数据的获取与核实。除SL外，所有作者都参与了这项研究。研究方法由ZJ和ZW制定，软件由ZJ和MD开发，可视化工作由ZJ完成，初稿由ZJ撰写。ZM和SL负责监督工作，并对论文进行了审阅和编辑。ZM和SL还负责该研究的资金筹措及项目管理。每位贡献作者都对保持研究的有效性和准确性负全责。所有合著者都已审阅并认可了最终版本的稿件。SL对研究成果及研究过程的完整性负全责，他有权决定是否发表文章。资金支持：这项研究得到了吉林大学中日联合医院科学研究项目（资助编号：YJZ2024001）以及吉林省卫生科研人才专项计划（资助编号：2023SCZ34）的支持。利益冲突：无。来源与同行评审：未经委托，由外部专家进行同行评审。补充材料：这些内容由作者提供，尚未经过BMJ出版集团审核，也可能没有经过同行评审。其中所表达的观点或建议仅代表作者个人观点，并非BMJ的支持意见。BMJ不对基于这些内容而产生的任何后果承担任何责任。如果内容包含翻译材料，BMJ不保证翻译的准确性和可靠性（包括但不仅限于当地法规、临床指南、术语、药品名称及剂量），也不对因翻译、调整或其他原因导致的错误或遗漏负责。数据可用性声明伦理声明患者同意发表：不适用。伦理审批：该研究已获得中日联合医院研究伦理委员会（2023120805）、吉林大学第二附属医院（2025254）、中国医科大学附属盛京医院（2024PS1100K）、浙江省人民医院（KY2025039）以及锦州医科大学附属第一医院（KYLL202501）的批准。由于采用回顾性设计，因此无需获得患者的知情同意。致谢：我们要感谢Editage（www.editage.cn）提供的英文编辑服务。