《Frontiers in Neurology》：The progress in predictive modeling of post-stroke epilepsy
编辑推荐：
脑卒中后癫痫（PSE）是缺血性脑卒中（IS）和出血性脑卒中（HS）的重要并发症，导致发病率和生活质量下降。准确预测PSE风险对于早期干预和个体化管理至关重要。已经针对不同的卒中亚型开发了多种预测模型。在HS中，诸如CAVE、CAVS、CAV+和CAVE2等模型
脑卒中后癫痫（PSE）是缺血性脑卒中（IS）和出血性脑卒中（HS）的重要并发症，导致发病率和生活质量下降。准确预测PSE风险对于早期干预和个体化管理至关重要。已经针对不同的卒中亚型开发了多种预测模型。在HS中，诸如CAVE、CAVS、CAV+和CAVE2等模型强调病灶特征和早期癫痫发作。在IS中，诸如SeLECT和PSEiCARe等模型关注皮质受累、大动脉粥样硬化和早期癫痫发作。基于机器学习的方法的最新进展显示出对IS和HS患者预测准确性的提高，但仍需进一步验证才能用于常规临床。本综述总结并比较了不同卒中亚型的PSE预测模型，强调了它们通过早期风险分层改善患者预后的临床相关性和潜力。多模态数据的整合可能进一步增强癫痫预测并指导个性化干预策略。
1 引言
卒中后癫痫（PSE）是卒中后常见并发症，发生率为2-20%。根据国际抗癫痫联盟（ILAE）定义，卒中后7天内发生的癫痫发作为急性症状性发作，之后发生的为无诱因发作。早期发作（ES）常由暂时性卒中相关因素引起，而晚期发作（LS）提示持续性致痫倾向，复发风险高。研究者开发了多种预测模型，但现有模型多针对单一卒中亚型（缺血性或出血性），缺乏跨亚型通用性。机器学习（ML）方法通过整合复杂临床和影像数据，提高了预测准确性，但临床转化受限于模型复杂性、外部验证不足和整合困难。本综述总结并比较了不同卒中亚型的PSE预测模型，强调了通过早期风险分层改善预后的潜力，并指出多模态数据整合是未来方向。
2 卒中后癫痫的风险因素
PSE的风险因素因卒中亚型而异，涵盖年龄、发作时机、病灶位置、损伤严重程度等。
2.1 年龄
年龄是公认风险因素。在出血性卒中（HS）中，年轻（<65岁）是独立危险因素，机制与年轻患者炎症反应更强有关。缺血性卒中（IS）中，年龄呈U型分布：65岁以下和85岁以上患者发病率较高。老年患者复发率可达90%，儿童患者10年内半数发展为活动性癫痫。
2.2 首次发作时机
首次发作时机是重要决定因素。晚期发作（LS）在卒中后6-12个月达峰，复发率高达90%。早期发作（ES）和EEG异常是PSE发展的强预测因子。ES中，NIHSS评分>14、发作间隔4-7天、多次发作等因素显著增加风险。
2.3 卒中病灶位置
在缺血性卒中（IS）中，皮质受累是公认的危险因素，尤其在前循环大面积梗死中。多个脑叶受累可导致反复致痫放电和继发性梗死扩展。基底节区扩大的血管周围间隙（EPVS）是PSE的独立预测因子。在出血性卒中（HS）中，脑叶出血和皮质受累是主要风险因素，而深部出血因远离皮质，风险相对较低。
2.4 卒中损伤严重程度
卒中严重程度（NIHSS评分）是缺血性卒中（IS）中PSE的独立危险因素。严重卒中（NIHSS>11）增加急性发作风险。在出血性卒中（HS）中，血肿体积>10mL是重要危险因素，血肿占位效应导致更广泛的神经元损伤和手术干预需求。
2.5 其他
其他风险因素包括慢性酒精摄入（通过代谢物增强神经元兴奋性）、高胆固醇血症（与ICH呈负相关）、生物标志物如肿瘤坏死因子受体1（TNF-R1）和神经细胞黏附分子（NCAM）。手术清除血肿、非惊厥性癫痫持续状态（NCSE）、合并症（高血压、糖尿病、房颤）以及药物（如SSRI抗抑郁药）均可影响PSE风险。基于NHANES数据的机器学习模型显示，躯干脂肪百分比是卒中风险评估的优良生物标志物。
2.6 卒中亚型
不同卒中亚型风险差异显著。出血性卒中（HS）的癫痫风险高于缺血性卒中（IS）。缺血性卒中（IS）的癫痫主要与皮质受累、大面积梗死和严重神经功能缺损相关。脑出血（ICH）中，脑叶出血、大血肿和皮质扩展增加风险；蛛网膜下腔出血（SAH）中，动脉瘤破裂和相关并发症（如血管痉挛）是主要因素。
3 缺血性卒中后癫痫的预测模型
已有多个预测模型用于缺血性卒中（IS）后癫痫（PSE），包括SeLECT、PSEiCARe、PoSERS和机器学习模型。
3.1 SeLECT评分系统
SeLECT评分基于瑞士队列，包含五个预测因子：卒中严重度（S）、大动脉粥样硬化（L）、早期发作（E）、皮质受累（C）和大脑中动脉区域（T）。总分0-9，对应1年风险0.7-63%和5年风险1.3-83%。推导队列AUC=0.77，外部验证约0.75。具有高阴性预测值，适用于排除轻度IS患者的PSE，但未纳入合并症、遗传等因素。
3.2 PSEiCARe评分系统
PSEiCARe评分针对老年缺血性卒中（IS）患者，基于台湾队列（12.5万例），包含七个变量：住院>2周、入院时发作、年龄>80岁、ICU入住、认知障碍、房颤、入院时肺炎。总分0-16，分为低、中、高、极高四个风险等级。推导队列AUC=0.762，验证队列AUC=0.792。特别关注了房颤作为栓塞性卒中的常见原因。
3.3 PoSERS评分系统
PoSERS评分适用于缺血性卒中（IS）和出血性卒中（HS），基于德国前瞻性研究，包含10个变量，如卒中位置（幕上/幕下）、持续性神经功能缺损（mRS>3）、卒中亚型、发作时机等。通过卡方分析确定七个关键预测因子。模型特异性99.6%，阴性预测值98.8%，敏感性70%。但需要全面临床数据，且EEG贡献有限。
3.4 基于机器学习的预测模型
机器学习模型结合脑电图（EEG）监测，通过信号采集、预处理、特征提取和分类实现发作预测。长时间循环卷积网络（LRCN）结合卷积神经网络（CNN）和长短期记忆（LSTM）模块，自动提取EEG时空特征。在基于EEG片段评估中，准确率93.40%，敏感性91.88%，特异性86.13%，较传统方法提高5-9%。早期预测有助于神经重症患者的及时干预。
4 出血性卒中后癫痫的预测模型
针对出血性卒中（HS）的预测模型包括CAVE、CAVS、LANE、CAV+、CAVE2和深度学习模型。
4.1 CAVE模型
CAVE模型基于欧洲多中心队列（993例），包含四个预测因子：皮质受累、年龄<65岁、血肿体积>10mL、早期发作（ES）。每个因子1分，总分0-4。5年发作风险从0分0.6%至4分46.2%。推导队列C-statistic=0.81，验证队列C-statistic=0.69。模型简单易用，但验证队列区分能力下降，且未纳入EEG数据，可能低估晚期发作（LS）风险。
4.2 CAVS模型
CAVS模型基于ERICH研究（3000例，多民族），将CAVE中的早期发作替换为手术清除血肿。四个因子：皮质受累、年轻、大血肿、手术清除。每增加1分，晚期发作（LS）风险增加2.8倍。C-statistic=0.76，优于CAVE的0.73。验证了CAVE在多民族中的适用性，并发现早期发作不是独立预测因子。
4.3 LANE模型
LANE模型针对中国脑出血（ICH）人群，基于青岛单中心（602例），包含四个因子：脑叶出血、年龄<65岁、NIHSS>15、早期发作。评分后脑叶出血和年龄<65岁各1分，NIHSS>15和早期发作各2分，总分0-6。推导队列C-statistic=0.83，验证队列C-statistic=0.78，优于CAVE。当评分>2时，敏感性59.6%，特异性87.7%。未纳入生物标志物和神经电生理数据。
4.4 CAV+模型
CAV+模型基于机器学习，在CAVE基础上增加抗凝药、抗血小板药、格拉斯哥昏迷量表（GCS）、国际标准化比值（INR）和收缩压。采用多种机器学习算法（逻辑回归、LASSO、支持向量机、XGBoost、随机森林）。XGBoost模型CAV+的AUC=0.79，显著高于CAV的0.72。权重分析显示血肿位置（0.69）、GCS（0.15）、INR（0.15）为最重要预测因子。该模型可能指导预防性抗癫痫药物的使用。
4.5 CAVE2模型
CAVE2模型在CAVE基础上调整皮质受累为2分，总分0-5。针对408例ICH患者，晚期发作（LS）发病率：评分≤1时为4.6%，评分2时为18.3%，评分≥3时为54.4%。C-statistic=0.74，与CAVE（0.73）相当，但能更好区分高风险患者。未纳入EEG和连续NIHSS评分。
4.6 其他
基于非增强CT（NCCT）的深度学习模型PSENet，纳入1130例ICH患者，通过影像特征预测PSE风险。AUC=0.840，准确率0.876，优于传统CAVE和LANE模型。该模型可捕捉常规评分无法反映的复杂空间和病理模式。
5 结论
卒中后癫痫（PSE）是临床重要并发症，与皮质受累、出血性卒中、早期发作等风险因素密切相关。现有预测模型多针对单一卒中亚型，缺乏跨亚型通用性；针对中国人群的模型仍有限；机器学习模型具有高准确性，但临床转化受限于复杂性、外部验证不足和整合困难。未来应优先发展多模态预测框架（融合临床、影像、电生理数据），在大规模多中心队列中进行外部验证，并开展前瞻性研究验证早期识别和预防性治疗的有效性。标准化预测方法和提高模型可解释性将促进临床实施。
