《Neurotherapeutics》：Identifying treatment-responsive patient subgroups in a neutral clinical trial of Intensive blood pressure reduction in acute intracerebral hemorrhage: A post hoc explainable machine learning analysis
编辑推荐：
Antihypertensive Treatment of Acute Cerebral Hemorrhage（ATACH-2）试验报告了在颅内出血（intracerebral hemorrhage，ICH）中强化血压（blood pressure，BP）降低
Antihypertensive Treatment of Acute Cerebral Hemorrhage（ATACH-2）试验报告了在颅内出血（intracerebral hemorrhage，ICH）中强化血压（blood pressure，BP）降低无总体获益，这可能掩盖了特定患者亚组的获益。研究人员评估了可解释机器学习是否能识别出强化BP降低与结局改善相关的治疗臂亚组。利用ATACH-2数据集，研究人员在三分之二对照组（n = 326）上训练XGBoost模型以预测3个月不良结局（modified Rankin Scale >3）。随后将该模型应用于治疗组患者（n = 499）及留出的对照组（n = 163）。SHapley Additive exPlanations（SHAP）量化了个体BP风险贡献，反事实扰动模拟了BP降低。研究人员应用探索性、假设生成的网格搜索来识别在治疗亚组与对照组比较中产生最低不良结局优势比（odds ratio，OR）的选择策略。模型在交叉验证中曲线下面积（area under the curve，AUC）达0.85（95%置信区间[confidence interval，CI]，0.81–0.89），在独立验证中达0.83（95% CI，0.77–0.89）。通过联合SHAP和反事实分析，研究人员识别出一个候选治疗反应性亚组（n = 56），其中强化BP降低与留出对照组相比不良结局OR更低（OR = 0.21，95% CI，0.08–0.54；p = 0.002）。当与满足相同筛选标准的留出对照组子集比较时，该关联仍显著。与其各自组别剩余患者相比，这些患者基线收缩压更高、神经功能缺损更严重、血糖水平更低且基底节区受累更频繁。这些发现凸显了可解释机器学习在急性ICH精准BP管理中的潜力。
研究背景方面，颅内出血（intracerebral hemorrhage，ICH）是致残性最高的卒中类型。在急性ICH患者中，血压升高是血肿扩大和不良结局的预测因子，使得降压成为具有生物学说服力的治疗靶点。然而，早期的随机试验如INTERACT2（Intensive Blood Pressure Reduction in Acute Cerebral Hemorrhage）和ATACH-2（Antihypertensive Treatment of Acute Cerebral Hemorrhage）总体结果不明确。近期INTERACT3、INTERACT4、观察性研究及既往试验事后分析支持降压治疗的获益，强调超早期（2小时内）强化持续降压的重要性。这些发现提示统一的降压策略可能未能考虑患者异质性，掩盖了最受益亚组的疗效。基线神经功能缺损、血肿体积与位置及合并症可能相互作用决定患者是否获益，而传统试验设计和统计分析可能无法充分捕捉这种复杂性。因此，研究人员开展此项研究，利用可解释机器学习在整体中性结果的ATACH-2试验治疗臂中识别潜在对强化降压有反应的亚组。该研究发表在《Neurotherapeutics》，结论表明可解释机器学习框架能识别急性ICH中对强化降压改善结局的亚组，揭示了BP降低对ICH结局的异质性和非线性效应，强调个体化多变量风险分层的必要性，为脑血管病的精准治疗提供可扩展框架。
关键技术方法方面，研究人员分析ATACH-2临床试验数据集，该试验为急性幕上ICH成人患者的III期研究，血肿小于60 mL，就诊时收缩压>180 mmHg，入组110个中心。为独立于强化降压效应训练结局预测模型，使用标准BP管理（对照）臂患者，按2比1分为机器学习模型训练队列和留出的比较队列。采用XGBoost（eXtreme Gradient Boosting）作为监督学习算法预测3个月不良结局（modified Rankin Scale >3），应用TreeSHAP计算个体水平特征对预测风险的贡献，并进行反事实特征扰动模拟BP降低（降低1至3倍训练亚群标准差）。采用探索性网格搜索策略结合SHAP值与反事实模拟定义治疗臂亚组，通过多变量回归比较治疗亚组与留出对照的结局，并进行置换检验与倾向评分匹配验证。
研究结果部分如下。
Training and validation of the machine learning model to predict ICH outcome：对照臂训练（n = 326）与留出（n = 163）亚队列基线特征无显著差异。XGBoost模型交叉验证ROC AUC为0.85（95% CI：0.81–0.89），在留出对照亚队列独立验证中为0.83（95% CI：0.77–0.89），在治疗臂患者中为0.84（95% CI：0.81–0.87），显示良好预测性能。
BP contribution and simulated reduction effects on predicted poor outcome：SHAP分析显示NIHSS（National Institutes of Health Stroke Scale）和年龄对个体不良结局预测贡献最大，收缩压贡献适中，舒张压未入前20预测因子。反事实模拟显示BP降低1至3倍标准差（收缩压SD 24.1 mmHg，舒张压SD 20.2 mmHg）预测的不良结局风险降低呈异质性且近零，获益集中于收缩压>160 mmHg及舒张压>80 mmHg个体，呈非线性阈值依赖关系。
Identifying treatment-arm candidate responder subgroup：单独基于SHAP值或预测风险降低选择的治疗臂亚组与留出对照比较无显著关联。联合两种策略发现强化BP降低与不良结局显著减少相关，尤其在SHAP值前40–50%及1–1.5 SD BP降低预测风险降低者中。选出治疗臂亚组（n = 56）与留出对照比较多变量分析显示强化BP降低独立关联更低不良结局率（OR = 0.21，95% CI：0.08–0.54，p = 0.002）及更低序数mRS评分（OR = 0.54，95% CI：0.29–0.9，p = 0.044）。
Comparison of treatment-arm candidate responder subgroup with control subjects meeting same selection criteria：将相同标准应用于留出对照识别出19例患者。多变量逻辑回归分析显示强化BP降低独立关联更低不良结局（OR = 0.03，95% CI：0–0.19，p = 0.001）及更低mRS评分（OR = 0.14，95% CI：0.04–0.42，p = 0.001）。5000次置换检验显示观察治疗效果由机会产生概率为1.3%，支持关联稳健性。
Comparison of treatment-arm candidate responder subgroup with propensity score-matched subjects from held-out controls：倾向评分匹配从留出对照识别41例相似患者，平均绝对标准化均差从0.57降至0.16。多变量分析显示强化BP降低关联更低不良结局（OR = 0.2，95% CI：0.06–0.62，p = 0.008），序数mRS方向一致未达显著（OR = 0.52，95% CI：0.29–0.95，p = 0.088）。
讨论部分总结，研究人员在此事后分析中展示了可解释机器学习识别患者亚组的潜力，该亚组中强化BP降低与较低不良风险相关，尽管ATACH-2总体中性。BP对个体3个月结局预测贡献适中，仅小部分患者预测受益于反事实模拟降压。联合SHAP特征贡献与反事实模拟而非单一方法有效识别治疗臂中结局改善亚组。虽未正式多重比较校正，置换检验表明观察发现非偶然。验证后此类方法可支持急性ICH个体化风险BP管理并指导试验设计。单纯收缩压阈值不足以识别获益者，BP贡献适中且反事实模拟显示异质性，支持存在最优而非最大BP降低范围。治疗臂候选反应者及匹配对照有更高NIHSS评分、更低入院血糖、更高基底节受累率，显示症状严重度、出血位置及代谢因素交互作用决定强化降压与结局关联。所选治疗亚组虽有更高ICH及周血肿体积，但与同标准对照血肿扩大无差异，获益非通过限制血肿扩大介导。此方法建模多共存决定因素及非线性关系，SHAP提供个体水平贡献，反事实提供直观假设分析，可扩展至其他脑血管病。研究局限包括回顾性事后分析、网格搜索探索性、未多重校正、置换检验不能完全排除过拟合、ATACH-2纳入标准限制外推性、SHAP不建立因果、反事实模拟基于模型假设单变量独立改变、使用随机前BP未捕捉动态轨迹。需独立人群队列外部验证确认稳健性与临床效用。
结论部分翻译为：本概念验证研究显示可解释机器学习在整体中性临床试验中识别急性ICH患者对强化BP降低改善结局亚组的潜力。在此ATACH-2试验事后分析中，研究人员框架整合XGBoost、SHAP可解释性及反事实模拟，揭示BP降低对ICH结局的异质与非线性效应。治疗与改善结局关联非均匀，而是集中于特定亚组，其特征为较高收缩压并受入院NIHSS、血糖、ICH体积及出血位置交互作用影响。这些发现强调一刀切BP目标局限性，强调需个体化多变量风险分层。通过捕捉临床风险因素间复杂关系，此方法为ICH及其他潜在脑血管病精准治疗提供可扩展框架。未来工作应聚焦在大型多样队列训练验证模型以确保普适性与临床适用性。
