《Frontiers in Neurology》：A decision tree model for hematoma expansion prediction in women after spontaneous intracerebral hemorrhage
编辑推荐：
背景：女性相较男性在自发性脑出血（spontaneous intracerebral hemorrhage，ICH）后发生不良结局的风险更高，因此需要更密切的临床监测。预防血肿扩大（hematoma expansion，HE）是自发性ICH管理中有前景的治疗靶
背景：女性相较男性在自发性脑出血（spontaneous intracerebral hemorrhage，ICH）后发生不良结局的风险更高，因此需要更密切的临床监测。预防血肿扩大（hematoma expansion，HE）是自发性ICH管理中有前景的治疗靶点。本研究旨在开发一种临床实用的决策树模型，用于预测女性中的HE。
方法：研究人员回顾性纳入女性自发性ICH患者。所有患者在症状发生后6小时内接受初始非增强计算机断层扫描（non-contrast CT），并在72小时内接受随访非增强CT。采用单因素与多因素logistic回归分析识别HE的独立预测因子，并构建决策树模型用于HE预测。
结果：共纳入417例患者，其中64例（15.3%）在随访影像中出现HE。多因素分析显示，中线移位（midline shift；比值比[OR]，1.18；95%置信区间[CI]，1.07–1.30；p=0.001）、初始CT检查时间（time to initial CT scan；OR，0.71；95% CI，0.57–0.88；p=0.002）和blend sign（混合征；OR，2.81；95% CI，1.33–5.97；p=0.007）与HE独立相关。决策树模型训练集AUC为0.803（95% CI，0.736–0.856），灵敏度81.1%，特异度67.1%；测试集AUC为0.748（95% CI，0.581–0.880），灵敏度81.8%，特异度65.8%。该模型优于HEP模型。虽然BRAIN模型AUC更高，但本模型灵敏度更高（81.8% vs. 72.7%），在识别需及时干预患者方面具有优势。
结论：研究人员开发了一种简单、可解释的决策树模型，用于预测女性HE。该工具可帮助临床医生识别高风险患者并指导及时干预。
研究背景方面，自发性脑出血（spontaneous intracerebral hemorrhage，ICH）是危及生命的疾病，致残率和死亡率高。ICH后血肿扩大（hematoma expansion，HE）约发生于39%的患者，是不良临床结局的已知预测因子，也是急性降压或止血治疗的关键干预靶点。现有证据显示，性别在ICH风险和结局中的作用存在异质性：男性血肿更大、扩张风险更高，但2025年一项大样本荟萃分析（n=4812）表明，女性在发生HE后功能结局更差，不良功能结局风险增加24%。由于混合人群模型仅把性别作为协变量，难以捕捉女性特有的HE病理机制，因此基于一般人群开发的模型对女性可能并非最优。为改善女性ICH患者的风险分层与及时干预，研究人员在《Frontiers in Neurology》发表了这项针对女性HE预测的研究。
主要关键技术方法上，研究人员采用单中心回顾性队列，样本来自温州医科大学第一附属医院2012年9月至2018年8月收治、年龄≥18岁、发病6小时内行初始非增强CT且72小时内行随访非增强CT的女性自发性ICH患者，并排除动脉瘤、血管畸形、创伤、肿瘤、梗死后出血转化、抗血小板/抗凝治疗及二次CT前手术者。影像由盲法放射科医师评估black hole sign（黑洞征）、blend sign（混合征）、satellite sign（卫星征）及中线移位；血肿体积经3D Slicer半自动分割计算；HE定义为体积绝对增加>6 mL或相对增加>33%。数据集按8:2分为训练集与测试集，使用递归特征消除（recursive feature elimination，RFE）筛选变量，再以多因素logistic回归识别独立预测因子，并用Python与Scikit-learn构建最大深度为4的决策树，采用五折交叉验证与随机搜索调参，最后用灵敏度、特异度和AUC评价，并以DeLong检验与HEP、BRAIN模型比较。
研究结果如下。患者人群（Patient population）：回顾性纳入417例女性ICH患者，64例（15.3%）发生HE，两组年龄无显著差异，深部灰质是最常见出血部位。数据收集（Data collection）：入院时记录人口学、病史、服药情况、生命体征、实验室指标及神经功能；影像与临床信息取自图像存档与通信系统（picture archiving and communication system，PACS）。放射学特征与HE定义（Radiological characterization and definition of hematoma expansion）：由经验放射科医师评估出血部位、脑室内扩展、black hole sign、blend sign、satellite sign、中线移位、最大长度及血肿CT值标准差；HE定义为初始与随访非增强CT间血肿体积绝对增加>6 mL或相对增加>33%。决策树模型开发（Decision tree model development）：RFE选出中线移位、初始CT时间、初始血肿体积、凝血酶原活动度（prothrombin activity，PTA）、blend sign和格拉斯哥昏迷评分（Glasgow Coma Scale，GCS）6个变量；多因素logistic回归确认中线移位、初始CT时间和blend sign为独立预测因子；最终决策树使用中线移位、GCS、初始CT时间、初始血肿体积和PTA进行分层，超参数为class weight“balanced”、Gini、最大深度4、最小叶样本10、最小分裂样本15。统计分析（Statistical analysis）：连续变量用t检验或Mann–Whitney U检验，分类变量用χ2或Fisher精确检验，p<0.1进入多因素回归，p<0.05为显著；DeLong检验用于模型AUC比较。结果（Results）：单因素分析中扩张者初始CT时间更短、GCS更低、初始血肿体积更大、收缩压更低、压力差更低、凝血酶原活动度更低、天冬氨酸转氨酶更高、blend sign更多、中线移位更大、最大长度更大；多因素分析确认中线移位（OR 1.18）、初始CT时间（OR 0.71）、blend sign（OR 2.81）为独立预测因子。决策树训练集AUC 0.803、灵敏度81.1%、特异度67.1%，测试集AUC 0.748、灵敏度81.8%、特异度65.8%；HEP模型AUC 0.453，BRAIN模型AUC 0.834、灵敏度72.7%、特异度78.0%；决策树显著优于HEP，与BRAIN的AUC差异显著但决策树灵敏度更高。
讨论部分总结：女性虽在急性期较男性血肿特征未必更严重，但老龄、治疗强度差异、骨质疏松与衰弱等合并症可导致长期预后更差；决策树所选5个特征均有文献支持，blend sign未成为分裂节点是因最大深度限制以提升可解释性与泛化性；相较BAT、3-predictor、HEP、BRAIN及放射组学/深度学习模型，本模型虽AUC不及BRAIN，但灵敏度高、规则简单、易于临床使用。研究局限为单中心回顾性、缺外部验证、排除术前死亡和缺失二次CT者带来选择偏倚，且决策树硬截断在极值处可能不直观；模型应作为临床辅助而非替代判断。
结论部分翻译：研究人员开发了一种简单、可解释的用于女性HE预测的决策树模型。该工具可支持临床医生识别高风险患者并指导及时干预。女性自发性ICH后不良结局风险更高，需密切临床关注。该模型可帮助识别最有可能从HE相关干预中获益的候选者，并为临床医生、患者及其家属提供有价值的诊断参考。
