《Brain and Spine》：Admission laboratory parameters for early risk stratification after aneurysmal subarachnoid hemorrhage: a machine learning analysis of real-world data
编辑推荐：
背景：动脉瘤性蛛网膜下腔出血（aSAH）与显著的发病率和死亡率相关。早期风险分层对于治疗计划和预后判断至关重要，然而在镇静或危重患者中，神经系统评估可能受限。常规入院实验室参数可能提供额外的预后信息，并改善基于机器学习（ML）的结果预测。研究问题：评估常规获取
背景：动脉瘤性蛛网膜下腔出血（aSAH）与显著的发病率和死亡率相关。早期风险分层对于治疗计划和预后判断至关重要，然而在镇静或危重患者中，神经系统评估可能受限。常规入院实验室参数可能提供额外的预后信息，并改善基于机器学习（ML）的结果预测。研究问题：评估常规获取的入院实验室参数对aSAH后不良神经学结局的预测价值，并比较不同ML算法。材料与方法：本回顾性分析纳入了来自389例aSAH患者的前瞻性收集数据。不良结局定义为6个月时改良Rankin量表（mRS）>2。分析了四个特征集：实验室值、临床变量、影像学特征以及一个组合特征集。使用5折分层交叉验证评估了逻辑回归、随机森林、XGBoost和支持向量机模型。通过SHAP分析评估特征重要性。结果：仅实验室模型达到了中等区分度，随机森林表现最佳（AUC=0.724）。临床模型总体上显示出更高的预测准确性（最佳AUC=0.785），而仅影像学模型表现较低。组合特征集达到了最高区分度，并优于仅临床模型（p=0.016），而仅实验室与仅临床模型的区分度无显著差异。最重要的实验室预测因子为红细胞分布宽度、白细胞计数、葡萄糖和C反应蛋白。讨论与结论：常规入院实验室参数通过非线性ML整合后，在已建立的临床分级基础上提供了适度但递增的预后信息，但它们不能替代临床评估。这些单中心发现具有假说生成性质，在临床应用前需外部验证。
**论文解读文章**
**研究背景与问题**
动脉瘤性蛛网膜下腔出血（aneurysmal subarachnoid hemorrhage, aSAH）是神经外科急症，致残率和死亡率极高。早期风险分层对于制定个体化治疗策略、规划长期护理及患者沟通至关重要。然而，目前广泛使用的临床分级量表（如Hunt & Hess分级、WFNS分级、GCS评分）依赖神经系统检查，在镇静、插管或危重患者中常难以准确评估。此外，这些量表未整合入院时常规获取的实验室数据，而这些数据可能反映全身炎症、代谢紊乱和器官功能障碍，从而提供额外的预后信息。既往研究多聚焦于单个或少数生物标志物，缺乏对全套入院实验室参数的系统性评估。同时，机器学习（machine learning, ML）方法在高维、非线性数据的整合中显示出潜力，但其在aSAH早期风险分层中的增量价值尚不明确。因此，研究人员开展本研究，旨在评估常规入院实验室参数对aSAH后不良神经学结局的预测价值，并比较不同ML算法的性能，以期为临床提供更全面的早期风险分层工具。该论文发表于《Brain and Spine》。
**主要关键技术方法**
本研究为回顾性分析，数据来源于欧洲某首都三级学术医疗中心（Charité - Universit?tsmedizin Berlin），纳入2009年1月1日至2015年12月31日期间收治的389例经CT血管造影和/或数字减影血管造影确诊的动脉瘤破裂性aSAH患者。采用四个特征集：实验室集（21项常规入院参数，包括红细胞分布宽度[RDW]、C反应蛋白[CRP]、葡萄糖、肌酐等）、临床集（神经系统严重程度和人口学变量：GCS、WFNS分级、Hunt & Hess分级、年龄、BMI、性别）、影像学集（改良Fisher分级、BNI评分、脑实质或脑室内出血、中线移位）以及组合集（整合所有变量）。使用L2正则化逻辑回归、随机森林（500棵决策树）、XGBoost（300个估计器，学习率0.1）和径向基函数核支持向量机四种分类器，通过5折分层交叉验证评估模型性能，主要指标为AUC-ROC。结合SHAP分析评估特征贡献，并采用配对bootstrap检验特征集间AUC差异。缺失值在每折交叉验证内以列中位数填补。
**研究结果**
**患者特征**：389例患者中位年龄54岁（IQR 46–63），女性占70.4%。171例（43.9%）获得良好结局（mRS 0–2），218例（56.1%）出现不良结局。不良结局组年龄更大、入院GCS更低、WFNS分级和Hunt & Hess分级更高，且改良Fisher分级更严重。实验室参数方面，不良结局组RDW、CRP、葡萄糖和肌酐水平显著升高（p<0.05）。
**模型性能**：仅实验室模型中，随机森林表现最佳（AUC 0.724，95% CI 0.670–0.772）。仅临床模型以逻辑回归最优（AUC 0.785，95% CI 0.736–0.828），而仅影像学模型表现最弱（AUC 0.66–0.72）。组合模型达到最高区分度（随机森林AUC 0.799，95% CI 0.753–0.842），且显著优于仅临床模型（ΔAUC +0.043，p=0.016），但仅实验室与仅临床模型间无显著差异（ΔAUC +0.031，p=0.32）。校准方面，随机森林和支持向量机模型校准良好（Hosmer–Lemeshow p=0.07和0.96），而逻辑回归和XGBoost存在校准偏差。
**顺序进入验证与基准测试**：在顺序进入分析中，后入组测试患者中组合模型保持区分度（随机森林测试AUC 0.754）。与SAHIT型临床参考模型对比，加入实验室面板显著提升了随机森林的区分度（AUC从0.718升至0.797，ΔAUC +0.079，p<0.001），但逻辑回归未改善（ΔAUC -0.010，p=0.52），表明实验室数据的增量信息主要通过非线性交互实现。
**特征重要性与SHAP分析**：随机森林特征重要性显示，临床评分占据最高排名。最重要的实验室预测因子为RDW（重要性=0.072）、白细胞计数（0.038）、葡萄糖（0.037）和CRP（0.037）。SHAP依赖分析揭示阈值型关联：RDW风险贡献在约13.5–14%以上急剧增加，葡萄糖在约140–150 mg/dL以上，而CRP呈梯度上升。
**院内死亡率预测**：探索性分析中，107例（27.5%）院内死亡。临床特征集单独AUC为0.821，而实验室集仅0.694。加入实验室和影像学数据未改善区分度（组合AUC 0.828，ΔAUC +0.006，p=0.76），表明入院实验室的增量价值具有结局特异性。
**讨论与结论**
研究讨论指出，常规入院实验室参数为aSAH早期风险分层提供了临床相关信息。尽管临床严重程度评分仍是最强个体预测因子，但仅实验室参数即可达到有意义的区分度，且与临床和影像学特征结合时进一步提升模型性能。RDW作为最强实验室预测因子，与全身炎症、氧化应激和生理储备减少相关，其在卒中及危重症人群中的预后价值得到支持。CRP升高反映炎症反应，葡萄糖升高与血管痉挛相关，肌酐升高提示肾功能障碍，均与不良结局相关。值得注意的是，仅实验室模型性能接近临床模型，提示实验室数据可捕获部分独立的预后信息，尤其适用于无法进行可靠神经系统检查的患者。此外，低成本、普遍获取的指标（血常规、CRP、葡萄糖、肌酐、凝血）贡献了大部分实验室信号，而高缺失率、高成本的心脏和代谢检查贡献有限，提示选择性检测可能更经济。然而，本研究存在局限性：单中心回顾性设计、缺乏外部验证、部分参数高缺失率、超参数固定、数据年代较早（2009–2015）以及样本量有限。未来需在独立、多中心前瞻性队列中验证，并将入院实验室参数整合至SAHIT等已有评分中。
**结论**：常规获取的入院实验室参数在已建立的aSAH临床分级基础上，提供了适度但具有统计学显著性的增量预后信息，该信息主要通过非线性机器学习模型实现，且由低成本、普遍可及的指标（如RDW、葡萄糖、CRP）驱动。实验室数据作为独立预测因子未能匹配临床分级，应被视为临床评估的补充而非替代。鉴于单中心设计、模型间置信区间重叠以及缺乏外部验证，这些结果具有假说生成性质，在临床应用前需进行前瞻性、外部验证的确认。
