基于整合统计与机器学习分析的脑活检术后颅内出血预测

《Scientific Reports》：Prediction of postoperative intracerebral hemorrhage following brain biopsy using integrated statistical and machine learning analyses

　　

摘要

术后颅内出血（P-ICH）是脑活检最常见的并发症，但具有临床意义的症状性事件的预测因素仍未明确。我们进行了一项回顾性双中心队列研究，纳入2014年至2024年间连续接受脑活检的464例成人患者。P-ICH按临床严重程度（无、无症状、有症状）和时间（即刻或延迟）进行分类。采用多变量有序logistic回归和条件推断树（CIT）分析进行可解释的风险分层，并基于围手术期变量构建机器学习（ML）模型，通过嵌套交叉验证预测症状性P-ICH。即刻P-ICH发生率为54.7%，其中49.4%为无症状性出血，5.4%为症状性出血。年龄增加（校正比值比1.015/年，p = 0.015）和基底节（BG）位置（校正比值比8.305，p < 0.001）与出血严重程度增加独立相关。CIT分析中病灶位置为主要决定因素，在非基底节病灶中年龄提供次要分层。ML模型表现出中等区分度，随机森林模型曲线下面积（AUC）为0.711，且一致将病灶位置识别为最重要的预测因素。这些结果支持对高风险人群进行风险适应性轨迹规划、患者咨询和术后监测。