《CNS Neuroscience & Therapeutics》：Development and Validation of an Interpretable Machine Learning-Based Clinical Prediction Model for Short-Term Mortality in Intracerebral Hemorrhage With Thrombocytopenia: A Multicenter Study
编辑推荐：
背景：脑出血（ICH）合并血小板减少症与不良预后相关，但针对该亚组的早期风险预测工具有限。研究人员旨在开发并外部验证一个可解释的机器学习模型，用于预测入住重症监护病房（ICU）后28天全因死亡率。
方法：内部数据来源于MIMIC-III/IV、eICU和N
背景：脑出血（ICH）合并血小板减少症与不良预后相关，但针对该亚组的早期风险预测工具有限。研究人员旨在开发并外部验证一个可解释的机器学习模型，用于预测入住重症监护病房（ICU）后28天全因死亡率。
方法：内部数据来源于MIMIC-III/IV、eICU和NWICU数据库，外部验证数据来自中国一家三级学术教学医院。内部队列按7:3随机分为内部训练集和内部测试集。在内部训练集中进行特征选择、超参数优化和五个机器学习模型的训练。在内部测试集和外部验证队列中评估性能。采用SHAP分析进行解释，并开发了一个基于网页的工具。
结果：在纳入的1190名患者中，859名属于内部队列，331名属于外部验证队列。保留了15个预测因子。LightGBM表现最佳，在内部测试集和外部验证队列中的受试者工作特征曲线下面积（AUROC）分别为0.840和0.764。重要预测因子包括格拉斯哥昏迷评分（GCS）、舒张压、血糖和血小板计数。
结论：所开发的LightGBM模型显示出良好的内部区分能力、可接受的外部区分能力和可解释的特征贡献，支持其作为脑出血合并血小板减少症患者早期风险分层辅助工具的潜力。在临床实施前需进行前瞻性多中心验证。
**论文解读文章**
**研究背景与问题**
脑出血（intracerebral hemorrhage, ICH）是一种高死亡率和高致残率的严重脑血管疾病。尽管重症监护领域不断进步，但有效治疗手段仍有限。血小板在止血中起核心作用，血小板减少症（thrombocytopenia，定义为成人血小板计数<150×10
9/L）可能对ICH后预后产生不利影响。既往研究表明，ICH合并血小板减少症患者预后更差，可能机制包括：血小板减少损害局部止血，增加持续出血或血肿扩大的风险；血小板不足影响凝血酶生成和纤维蛋白形成，危及血凝块稳定性；还可破坏内皮和血脑屏障修复，加重脑水肿和继发性脑损伤。然而，现有ICH预后模型很少专门关注合并血小板减少症的亚组。因此，研究人员开展本研究，旨在开发并外部验证一个可解释的机器学习模型，用于预测ICH合并血小板减少症患者入住ICU后28天全因死亡率，以早期识别需要更密切监测和临床评估的高危患者。该研究发表在《CNS Neuroscience》。
**主要技术方法**
研究人员从四个国际公共ICU数据库（MIMIC-III CareVue、MIMIC-IV 3.1版、eICU协作研究数据库、西北大学ICU数据库）获取内部数据，外部验证队列来自中国科技大学附属第一医院神经重症与创伤性脑损伤科（2015-2025年）。采用随机森林多重插补处理缺失值，结合LASSO回归和Boruta算法进行特征选择，并经三位副高及以上医师临床审查确定最终预测因子。使用五种机器学习算法（随机森林RF、逻辑回归LR、轻量级梯度提升机LightGBM、支持向量机SVM、多层感知机MLP）进行模型开发，超参数优化采用网格搜索与10折交叉验证。通过受试者工作特征曲线下面积（AUROC）、校准曲线、决策曲线分析（DCA）和Brier评分评估性能，SHAP（Shapley Additive Explanations）分析进行模型解释，并基于R Shiny平台开发在线风险预测工具。
**研究结果**
**3.1 参与者基线特征**
共纳入1190例ICH合并血小板减少症患者，内部队列859例，外部验证队列331例。28天死亡率分别为27.36%和25.68%。单变量分析显示，非幸存者的序贯器官衰竭评估（SOFA）评分、简化急性生理学评分II（SAPS II）和血糖水平均显著高于幸存者（均p<0.05），而年龄、格拉斯哥昏迷评分（GCS）和收缩压在两组间无显著差异（p>0.05）。
**3.2 特征选择**
LASSO回归（λ1se标准）保留13个变量，Boruta算法独立识别12个变量，两者重叠得到8个核心变量，经临床审查后增加7个临床相关变量，最终确定15个预测因子：GCS、血糖、无创舒张压（NBPD）、血小板计数、无创收缩压（NBPS）、SOFA评分、SAPS II、国际标准化比值（INRPT）、肺炎、利尿剂使用、抗血小板药物、抗凝药物、性别、种族、连续肾脏替代治疗（CRRT）。方差膨胀因子分析显示无显著多重共线性。
**3.3 模型性能评估**
在内部测试集中，LightGBM模型表现最佳，AUROC为0.840（95%置信区间CI 0.776-0.904），显著优于逻辑回归、SVM和MLP（p<0.05），但与随机森林无显著差异（AUROC 0.833，p=0.324）。LightGBM的Brier评分最低（0.126），AUPRC最高（0.753）。经Platt校准后，Brier评分降至0.122，校准斜率从0.620升至1.138。与传统临床评分相比，LightGBM的AUROC显著高于GCS、SOFA和SAPS II（校正后p<0.001）。在选定阈值下，敏感度77.1%，特异度84.5%，准确率82.5%，阳性预测值65.1%，阴性预测值90.8%。
**3.4 最优模型的外部验证**
在外部验证队列中，LightGBM模型的AUROC为0.764（95% CI 0.703-0.825），校准后Brier评分0.153，校准截距-0.065，校准斜率0.853，AUPRC为0.570。决策曲线分析显示在大多数阈值概率下净获益优于“全部治疗”和“不治疗”策略。与SAPS II、SOFA和GCS相比，仅与GCS的差异有统计学意义（校正后p<0.001）。在选定阈值下，敏感度61.2%，特异度82.1%，准确率76.7%，阳性预测值54.2%，阴性预测值86.0%。
**3.5 敏感性分析**
第一项敏感性分析（加入血肿体积）显示，重训练的LightGBM模型内部AUROC为0.727，外部AUROC为0.626，性能有限。第二项分析（原模型应用于血肿体积完整的外部验证亚组）显示AUROC为0.734，Brier评分0.161。第三项分析（放宽血小板检测次数要求）显示重训练模型内部AUROC为0.827，外部AUROC为0.863，校准良好。第四项分析（仅使用算法选择的预测因子）显示外部AUROC从0.764降至0.717（p=0.027），表明专家添加的变量改善了模型性能。
**3.6 模型可解释性分析**
在内部测试集中，SHAP分析显示GCS、血糖、NBPD、血小板计数和NBPS是驱动预测的前五位特征。局部解释显示，低风险患者（预测死亡率0.0%）中GCS、血糖、舒张压、无肺炎和血小板计数使预测倾向降低；高风险患者（预测死亡率99.6%）中舒张压、血糖、收缩压和SOFA评分是主要正向贡献因素。在外部验证队列中，GCS、NBPD和血糖仍为领先预测因子，模式与内部测试集一致。
**3.7 模型临床应用**
基于LightGBM模型开发了在线计算器（https://drqiu.shinyapps.io/lightgbm-mortality-risk-calculator/），目前在中国科技大学附属第一医院神经外科脑创伤与神经重症亚专科作为研究工具试用，目的是数据记录和优化，不可替代临床决策。
**讨论与结论**
研究人员指出，ICH合并血小板减少症是高危神经重症情况，现有评分（GCS、SOFA、SAPS II）非专为该人群设计，可能提供有限的风险估计。本模型通过整合血小板减少症相关和止血信息，为这一高危人群提供亚组特异性、基于概率且可解释的风险评估，可补充通用严重程度评分。SHAP分析显示临床一致的特征贡献（GCS、血糖、血压、血小板计数、疾病严重程度评分），但需解释为预测贡献而非因果效应。外部验证显示可接受的跨中心性能，但存在轻度校准漂移，提示在广泛临床实施前需进行局部校准和前瞻性多中心验证。
**研究结论**：研究人员开发并外部验证了一个可解释的LightGBM模型，用于预测ICH合并血小板减少症患者ICU入住后28天全因死亡率。该模型表现出良好的内部区分能力、可接受的外部区分能力和临床一致性SHAP解释。已开发基于网页的研究阶段风险估计工具，但在常规临床使用前需进行进一步前瞻性多中心验证。
