《Frontiers in Neurology》：Machine learning integration of routine inflammatory biomarkers for predicting remote punctate ischemic lesions following intracerebral hemorrhage: a single-center retrospective study
编辑推荐：
研究人员开展了一项单中心回顾性研究，旨在利用机器学习（ML）整合常规炎症生物标志物预测脑出血（ICH）后远程点状缺血性病变（RPIL）。急性期RPIL代表"出血中的缺血"这一悖论，与更差的功能转归相关。尽管"血栓炎症"概念日益受到关注，但全身免疫炎症指数（SI
研究人员开展了一项单中心回顾性研究，旨在利用机器学习（ML）整合常规炎症生物标志物预测脑出血（ICH）后远程点状缺血性病变（RPIL）。急性期RPIL代表"出血中的缺血"这一悖论，与更差的功能转归相关。尽管"血栓炎症"概念日益受到关注，但全身免疫炎症指数（SII）等新型生物标志物结合先进机器学习的预测价值尚待阐明。
研究方法方面，该回顾性队列研究筛选了2019年1月至2025年12月期间12,327例ICH患者，经严格排除标准后纳入6, minimal-description-preserved-for-sequence-optimization134例。队列随机分为训练集（n=4,294）和验证集（n=1,840），采用最小绝对收缩和选择算子（LASSO）回归进行特征选择，对15种ML算法进行基准测试，涵盖从逻辑回归到集成方法（极端梯度提升XGBoost、随机森林），并通过特征重要性分析和临床列线图实现模型可解释性。
主要结果如下：LASSO回归确定六个关键预测因子：年龄、糖尿病史、SII、D-二聚体、葡萄糖和纤维蛋白原。ML基准测试中，XGBoost实现最高区分度（受试者工作特征曲线下面积AUC=0.799），优于神经网络（AUC=0.798）和标准逻辑回归（AUC=0.770）。衍生列线图显示极佳校准度（平均绝对误差MAE=0.034），决策曲线分析（DCA）证实其临床净获益。尤为重要的是，炎症和凝血标志物（SII、纤维蛋白原）被确定为顶级预测因子，佐证了免疫血栓机制。
研究结论表明，该稳健ML框架证实全身炎症和高凝状态与ICH后缺血密切相关。XGBoost模型提供精准预测，列线图则为床旁风险分层提供转化应用价值。鉴于单中心数据的局限性，未来多中心外部验证对确认这些模型的普适性和临床适用性至关重要。
脑出血（ICH）占所有卒中的10%~15%，却 disproportionately 贡献于全球卒中死亡和致残负担。急性期管理传统聚焦于阻止血肿扩大和降低颅内压，但住院期间并发的远程点状缺血性病变（RPIL）这一矛盾性严重并发症日益受到重视。近期大规模流行病学数据显示，3%~12%的ICH患者发生远程缺血性病变，显著恶化功能转归。据2024年全球疾病负担（GBD）最新研究，卒中仍是全球发病的主要原因，出血性卒中 disproportionately 导致严重长期残疾和致命并发症。"出血-缺血悖论"的病理生理学涉及早期血肿降解触发剧烈全身炎症反应，该炎症与凝血级联激活（ termed 免疫血栓形成）及急性代谢应激（如应激性高血糖）密切相关。针对这一难题，研究人员开展了本项研究，论文发表于《Frontiers in Neurology》。
研究采用的关键技术方法主要包括：第一，基于LASSO回归的特征选择，通过10折交叉验证从高维数据中选择稀疏预测因子子集，严格处理炎症指标间的共线性；第二，15种监督式ML算法的全面基准测试，采用网格搜索优化超参数，以受试者工作特征曲线下面积（AUC）作为主要评价指标；第三，基于逻辑回归构建的临床列线图，结合决策曲线分析（DCA）量化模型在不同阈值概率下的净临床获益；第四，敏感性分析采用链式方程多重插补（MICE）方法验证缺失数据处理策略的稳健性。样本来源于西安红会医院2019年1月至2025年12月的单中心回顾性队列，最终纳入6,134例患者，按7:3比例分为训练集和验证集。
基线特征与特征选择方面，共纳入6,134例自发性ICH患者，其中4,618例（75.3%）未发生脑梗死，1,516例（24.7%）住院期间发生新发脑梗 admolt-punctate ischemic选中急剧性病变。与无RPIL组相比，RPIL组患者年龄更大，高血压和糖尿病患病率更高，全身炎症和凝血标志物（白细胞、D-二聚体、纤维蛋白原、SII、全身炎症反应指数SIRI、中性粒细胞与淋巴细胞比值NLR、血小板与淋巴细胞比值PLR）均显著升高，提示存在严重的全身炎症和高凝状态。队列总RPIL发生率为24.71%。LASSO回归从高维数据集中遴选出六个非零系数变量：年龄、糖尿病史、SII、D-二聚体、葡萄糖和纤维蛋白原，涵盖代谢、炎症和凝血通路。
列线图构建与验证方面，为便于临床应用构建了列线图。区分度方面，列线图AUC为0.760，虽略低于XGBoost，但具有更优的可解释性。校准度方面，校准图显示预测风险与实际观察风险高度一致（MAE=0.034）。DCA证实，在5%~60%的阈值概率范围内，使用列线图的净获益优于"全部治疗"或"全部不治疗"策略。
ML基准测试方面，15种ML模型性能比较显示：XGBoost以验证集AUC 0.799（95%置信区间CI：0.78~0.82）实现最高区分度；神经网络（AUC=0.798）和随机森林（AUC=0.791）表现优异；传统逻辑回归表现稳健（AUC=0.770）但逊于集成方法，凸显捕捉非线性关系的价值。
缺失数据插补敏感性分析方面，MICE方法生成的五个数据集上XGBoost模型表现高度稳定，平均AUC为0.8358±0.0054（范围：0.8304ˋ lot4~0.8424），证实建模方法的稳健性，且提示综合多重插补较之中位数插补基线模型进一步释放预测潜力。
特征重要性分析方面，XGBoost模型揭示年龄为最主要预测因子。值得注意的是，纤维蛋白原和中性粒细胞计数（SII的组成部分）紧随年龄之后，证实全身炎症和高凝状态是该人群缺血风险的主要驱动因素。
讨论部分，该研究在6,134例ICH患者中开发并验证ML框架预测伴发脑梗死风险，核心发现为：XGBoost提供最高预测精度（AUC≈0.80），而整合SII和纤维蛋白原的简化列线图提供实用床旁工具。
免疫血栓机制方面，该研究率先利用ML识别SII、纤维蛋白原和葡萄糖作为ICH后RPIL的顶级预测因子，为"免疫血栓形成"概念提供有力临床证据。ICH后血脑屏障破坏和血肿释放触发大规模炎症风暴，中性粒细胞浸润和小胶质细胞激活加剧继发性脑损伤。研究人员模型提示该过程不限于脑内，中性粒细胞系统性升高（高SII反映）可能镜像中枢炎症，创造全身促血栓状态。活化的中性粒细胞释放中性粒细胞胞外陷阱（NETs），作为血小板聚集和纤维蛋白沉积的支架，即使在出血状态下仍促进血栓形成。XGBoost模型中葡萄糖的高预测权重凸显代谢应激的关键作用，高血糖损害内皮功能并放大促炎细胞因子风暴，形成"代谢-炎症-血栓"恶性循环。
ML与传统评分比较方面，传统卒中风险评分（如CHA?DS?-VASc）为心房颤动设计，未考虑ICH的急性炎症风暴。15种算法的全面基准测试显示，集成ML模型特别是XGBoost和神经网络一致优于传统逻辑回归和单一决策树。传统回归模型假设线性和可加性，常过度简化炎症、代谢和凝血间复杂生物学相互作用；而XGBoost利用梯度提升捕捉高阶非线性关系和交互作用（如年龄×SII×葡萄糖的协同效应），从而减少偏倚并改善异质性真实世界队列的泛化能力。
临床意义方面，RPIL高危表型（高SII、纤维蛋白原和葡萄糖）的识别带来重要治疗困境：预防缺血而不加剧初始出血。XGBoost模型作为关键"守门人"，推动临床超越"一刀切"走向精准医学。低危患者标准支持治疗可能足够；高危患者则应优先强化非侵入性监测而非立即药物预防，包括增加经颅多普勒（TCD）监测脑微栓塞频率、严格床旁神经评估和精细维持最佳脑灌注压。鉴于血肿扩大的灾难性风险，急性期任何抗血栓药物使用仍高度争议且可能不安全，模型主要价值在于提示强化非侵入性监测和严格生理优化。
局限性与未来方向方面，首要局限为回顾性单中心设计可能引入选择偏倚，模型泛化性未经验证。虽采用严格纳入排除标准和内部验证，但大规模外部多中心验证为必需步骤。其次，缺乏详细基线神经影像数据（血肿体积、具体ICH部位）和临床严重程度评分（如入院格拉斯哥昏迷量表）为重要局限；研究人员强调其生物标志物驱动模型并非替代经典神经影像评估，而是作为补充性生化早期预警工具，特别适用于高级神经影像延迟的场景。再者，涉及替罗非班的"风险分层桥接策略"仅为理论推测，ICH急性期抗血小板治疗的安全性和有效性需专门随机对照试验确认。作为观察性研究，研究结果建立关联而非因果关系。MICE敏感性分析有效排除插补偏倚担忧。
研究结论明确：该研究首次大规模应用ML阐明ICH患者"出血-缺血悖论"，识别以全身炎症（高SII）、代谢应激（高血糖）和高凝状态（高纤维蛋白原）为特征的高危表型，为免疫血栓机制提供强有力临床证据。15种算法中XGBoost emerged 为精准风险分层的最佳模型，简化列线图提供床旁决策实用工具。这些发现支持向警惕监测和潜在风险分层抗血栓干预转变范式，为ICH继发性缺血损伤的个性化管理铺平道路。仍需前瞻性多中心外部验证以最终确立这些预测工具的普适性和真实世界临床效用。
