方法选择会影响机器学习在预测创伤性脑损伤引起的颅内高压方面的性能

《Scientific Reports》：Methodological choices influence machine learning performance for predicting intracranial hypertension in traumatic brain injury

　　

摘要

颅内高压是创伤性脑损伤后导致继发性脑损伤的重要原因，通常在症状出现后才开始治疗。机器学习方法在颅内高压预测方面展现出潜力，但不同研究之间的方法差异限制了结果的比较性与临床应用。我们研究了关键方法选择如何影响机器学习在颅内高压预测中的性能。在这项回顾性观察研究中，我们从荷兰两家医院的创伤性脑损伤患者以及CENTER-TBI高分辨率队列中收集了颅内压、动脉血压及其他相关数据。我们分析了六种不同的方法因素：颅内高压的定义（颅内压≥22毫米汞柱或≥30毫米汞柱）、输入数据配置、标记策略（判断颅内高压发作时刻还是持续标记）、对照时间段的时间间隔、观察窗口长度（10至600分钟），以及模型类型（极端梯度提升树、随机森林、逻辑回归、高斯朴素贝叶斯和长短期记忆网络）。我们采用患者级十折交叉验证方法对模型进行评估，以接收者操作特征曲线下面积作为主要评价指标。本研究共纳入316名患者。不同方法选择下，模型的预测性能差异显著。持续标记方式能提升预测性能，而最优的观察窗口长度为240至360分钟。在各种条件下，极端梯度提升树的预测性能最佳（AUC值为0.92）。这些研究结果强调了在颅内高压预测研究中采用标准化方法及透明报告的重要性。