《Journal of Neurology》：Separating stroke and acute unilateral vestibulopathy using history, examination and vestibular tests: a machine learning approach
编辑推荐：
背景：急性单侧前庭病变（AUVP）与后循环卒中（PCS）是急性前庭综合征（AVS）的两种常见原因。研究人员开发并评估了机器学习模型，利用病史、查体和前庭功能检查的组合来区分AUVP与PCS。
方法：研究人员纳入294例急诊表现为AVS的患者（AUVP：n=16
背景：急性单侧前庭病变（AUVP）与后循环卒中（PCS）是急性前庭综合征（AVS）的两种常见原因。研究人员开发并评估了机器学习模型，利用病史、查体和前庭功能检查的组合来区分AUVP与PCS。
方法：研究人员纳入294例急诊表现为AVS的患者（AUVP：n=163，PCS：n=131）。使用来自病史、床边查体及前庭功能检查（视频眼震图（VNG）、视频头脉冲试验（vHIT/VHIT）、前庭诱发肌源性电位（VEMP）、主观视觉水平线（SVH））的数据进行机器学习模型开发。不同数据子集模拟三种层级场景：Tier 1代表有神经耳科学支持的急诊（病史、神经耳科学查体、VNG、VHIT、眼性VEMP）；Tier 2代表有VHIT的急诊（病史、基础查体、VHIT）；Tier 3代表仅依赖病史和基础查体的急诊。模型性能还与HINTS检查（head impulse、nystagmus、test-of-skew）比较。
结果：最佳模型采用CatBoost或XGBoost算法，Tier 1、Tier 2、Tier 3识别PCS的准确率分别为96.6%（95% CI：93.3–99.9%）、94.6%（95% CI：90.5–98.6%）、88.8%（95% CI：86.0–91.6%）。专家使用HINTS准确率为94.6%。Tier 1最重要变量为床边头脉冲试验、局灶性神经系统症状、自发性眼震慢相速度；Tier 2为局灶性神经系统症状；Tier 3为年龄。
结论：机器学习模型可准确区分PCS与AUVP，有望作为一线临床医生的诊断辅助工具。
研究背景方面，急性前庭综合征（AVS）表现为新发、严重且持续的眩晕和/或平衡障碍，占急诊急性头晕就诊的10–20%，其主要病因为后循环卒中（PCS）与急性单侧前庭病变（AUVP，亦称前庭神经炎）。PCS危及生命并需紧急处理，AUVP则为自限性、非致死性疾病，因此及时准确鉴别至关重要。然而，即便专科医生也常误诊二者。临床可依靠病史中的中枢神经症状、新发听力下降/耳鸣等红旗征，以及查体中的局灶神经功能缺损；但约三分之二的PCS可无明确局灶体征。HINTS（Head Impulse、Nystagmus、Test-of-Skew）在专家操作下对排除卒中具有高敏感性，但前线急诊医生常不熟练、执行或解读错误。MRI对PCS在症状48小时内有约15%假阴性；现代前庭功能检查如视频眼震图（VNG）、视频头脉冲试验（VHIT）、前庭诱发肌源性电位（VEMP）、主观视觉水平线（SVH）可提供客观依据，但并非所有急诊具备设备与解读能力。因此，研究人员开展本研究，用机器学习整合病史、查体与前庭检查，并按资源与能力分层的场景建立模型，以辅助非专家医生鉴别AVS中的PCS与AUVP。该研究发表于《Journal of Neurology》。
关键技术方法上，研究人员采用2018年3月至2023年3月澳大利亚悉尼Royal Prince Alfred Hospital急诊转诊至神经科、发病7天内、符合AUVP或PCS金标准的患者队列（AUVP 163例、PCS 131例）。从203个变量中按三层场景取子集：Tier 1含病史、神经耳科学查体、VNG、水平半规管VHIT、骨导眼性VEMP；Tier 2含病史、基础查体、水平半规管VHIT；Tier 3仅病史与基础查体。算法选用XGBoost、LightGBM、CatBoost等树基提升方法，Tier 3另设logistic回归对照；采用5折分层交叉验证，PCS为正类，默认概率≥0.50判卒中，并用准确率、敏感性、特异性、精确率、F1评分及McNemar检验比较模型与HINTS。
研究结果部分，模型跨层性能显示：Tier 1最佳为CatBoost，准确率96.6%（95% CI：93.3–99.9%）；Tier 2最佳为CatBoost，准确率94.6%（95% CI：90.5–98.6%）；Tier 3最佳为XGBoost，准确率88.8%（95% CI：86.0–91.6%）。Tier 1与Tier 2性能无显著差异，二者均显著优于Tier 3；Tier 3优于同数据logistic回归（84.7%）。单类数据模型中，神经耳科学查体最佳（94.6%），其后为VHIT（89.5%）、VNG（87.4%）、病史（86.1%），而基础查体、SVH、VEMP单独使用性能较差。变量重要性方面，Tier 1与全数据模型中床边头脉冲试验最重要，其后为自发性眼震慢相速度（SPV）与局灶性神经系统症状；Tier 2最重要为局灶性神经系统症状；Tier 3与仅病史模型最重要为年龄。非典型病例分析中，下AUVP、伴skew的AUVP、VNG未捕获自发眼震的AUVP及VHIT水平半规管增益降低的PCS，分层模型各有对错，且对部分HINTS会误判的AUVP可正确分类。误分类患者里，三层全错者含下AUVP、伴skew的AUVP及一无局灶体征和眼震但床边头脉冲异常的桥脑卒中；Tier 1误判多为有纯水平自发眼震和异常头脉冲的PCS。概率阈值分析中，降低 cutoff 可提高PCS敏感性但降低特异性，如≥0.10时Tier 1敏感性99.3%、特异性88.9%。HINTS分类结果显示准确率94.6%、敏感性95.5%、特异性93.9%；去掉test-of-skew仍为94.2%准确率，且与Tier 1、Tier 2无显著差异，但优于Tier 3。
讨论部分总结如下：研究人员指出，Tier 2仅用基础查体加水平半规管VHIT即可达到与专家HINTS相近的准确率，说明VHIT可成为不熟HINTS医生的可及替代；Tier 3虽资源最少仍达88.8%，且优于简单logistic回归，说明复杂模型有诊断增益。变量重要性符合临床常识：头脉冲、SPV、局灶症状分别反映周围前庭丧失、眼震强度与中枢损害；非专家难做床边头脉冲，SPV需专用设备，故Tier 2靠局灶症状与VHIT指标替代，Tier 3靠年龄等病史因素。HINTS与神经耳科学查体模型性能相当，证实HINTS凝练了查体核心；但病史单独模型的高性能可能受专家采集病史影响，不宜外推。oVEMP可从Tier 1去除而不损性能，VNG或可替代Tier 2中VHIT，说明特征可进一步精简。临床意义上，机器学习模型可在急诊早期用病史、基础查体与VHIT/VNG进行风险分层，减少不必要神经影像与再灌注治疗并发症。局限性包括病史查体由专家完成、HINTS依赖VNG定眼震方向、VHIT用自定义软件提取指标、AUVP缺延迟MRI金标准、未纳入前庭性偏头痛、无外部验证及未部署落地。
结论部分翻译：机器学习模型可基于病史、查体及前庭功能检查准确将AVS患者分为PCS或AUVP。尤其是仅用病史、基础床边查体以及（如有）VHIT的模型，可为无神经耳科学专长的急诊医生提供诊断支持，从而弥补当前临床实践中的重要缺口。
