泛免疫炎症值联合机器学习预测自发性脑出血后卒中相关性肺炎及不良预后的价值

《Frontiers in Neurology》：The pan-immune-inflammation value predicts stroke-associated pneumonia and poor outcome in spontaneous intracerebral hemorrhage: a machine learning approach

　　

摘要专业翻译 目的： 卒中相关性肺炎（stroke-associated pneumonia, SAP）是自发性脑出血（spontaneous intracerebral hemorrhage, sICH）后的主要并发症，对其精准预测构成重大临床挑战。本研究旨在评估整合泛免疫炎症值（pan-immune-inflammation value, PIV）是否能提升机器学习（machine learning, ML）模型对SAP及不良功能结局的预测性能。 方法： 研究人员回顾性分析了371例sICH患者的队列数据。采用最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）进行特征筛选。基于九种ML算法构建并比较了预测SAP及不良结局（90天改良Rankin量表评分（modified Rankin Scale score, mRS）>2）的模型。模型性能通过区分度（受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC））、校准度及决策曲线分析（decision curve analysis, DCA）进行评估。通过SHapley Additive exPlanations（SHAP）实现模型可解释性。 结果： 升高的PIV与SAP（比值比（odds ratio, OR）13.55，95%置信区间（confidence interval, CI）4.14–44.39；p < 0.0001）及90天不良功能结局（OR 25.27，95% CI 7.75–82.34；p < 0.0001）独立相关。在各算法中，极端梯度提升（extreme Gradient Boosting, XGBoost）对不良结局预测性能最佳（AUC 0.912），逻辑回归（logistic regression, LR）对SAP预测性能最佳（AUC 0.856）。纳入PIV显著提升了区分能力（XGBoost：0.926–0.942；LR：0.905–0.931；两者p < 0.05）。模型显示出良好的校准度，在DCA中提供了净临床获益，并通过SHAP分析实现了可解释性，该分析一致将PIV识别为关键预测因子。 解释： 将PIV整合至可解释的ML模型中，显著提高了sICH后SAP及功能结局的预测准确性。这种将系统性炎症生物标志物与可解释ML相结合的策略，有望推动神经重症监护中的个体化风险分层。

论文主体解读

一、研究背景与研究问题

自发性脑出血（sICH）是最致命的卒中亚型，据2019年全球疾病负担数据显示，其占所有卒中病例的27.9%。卒中相关性肺炎（SAP）定义为卒中后第一周内发生的肺炎，是sICH后的主要并发症，发生率约14%~27.8%，且sICH患者肺炎发生率高于缺血性卒中。SAP的发生与死亡率和致残率增加密切相关。然而，当前以抗生素为主的预防策略在临床试验中效果有限，这凸显了对更优风险分层工具的需求。关键病理机制在于卒中诱导的免疫抑制综合征（SIDS），这是一种急性期的全身免疫失调状态，严重削弱宿主防御并使患者易发感染。因此，寻找能够准确全面反映全身免疫炎症状态的生物标志物对于早期靶向干预至关重要。泛免疫炎症值（PIV）整合了中性粒细胞、血小板、单核细胞和淋巴细胞计数，已成为超越传统比值的综合性免疫炎症网络指标，但其对sICH后SAP的预测价值尚不明确。本研究假设，将PIV整合至机器学习（ML）模型中能显著增强对SAP及不良功能结局的预测。

二、研究方法概述

研究人员回顾性收集了2022年12月至2025年5月期间福建省龙岩市第一医院确诊的371例sICH患者数据。采用最小绝对收缩与选择算子（LASSO）回归进行变量筛选。随后，基于九种ML算法（包括XGBoost、逻辑回归（LR）、支持向量机（SVM）、K近邻（KNN）、朴素贝叶斯（NB）、决策树（DT）、随机森林（RF）、自适应增强（AdaBoost）和梯度提升机（GBM））构建并比较预测模型。模型性能通过受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）评估，并通过SHapley Additive exPlanations（SHAP）实现模型可解释性。

三、研究结果

1. 基线特征与单因素分析

研究共纳入371名参与者，其中125名（33.69%）发生SAP。SAP组中年龄≥65岁者比例更高（68.00% vs. 41.46%），吸烟和饮酒史比例也更高。SAP组慢性阻塞性肺疾病患病率更高（9.60% vs. 0.81%），吞咽困难和需要肠内营养的比例更高。入院时，SAP组格拉斯哥昏迷量表（GCS）评分更低、美国国立卫生研究院卒中量表（NIHSS）评分更高，脑出血相关性肺炎评分A（ICH-APS-A）也更高。影像学方面，SAP组基线血肿体积更大，脑室内出血（IVH）率更高。实验室指标显示，SAP组的PIV、中性粒细胞与淋巴细胞比值（NLR）、单核细胞与淋巴细胞比值（MLR）、血小板与淋巴细胞比值（PLR）等炎症复合指数均升高。

2. 多因素Logistic回归分析

将PIV分为五等分（Q1~Q5）后进行多因素二元Logistic回归。结果显示，无论经过何种程度的协变量调整，升高的PIV均与SAP（完全调整后OR 13.55，95% CI 4.14–44.39；p < 0.0001）和90天不良功能结局（完全调整后OR 25.27，95% CI 7.75–82.34；p < 0.0001）显著独立相关。

3. 限制性立方样条（RCS）分析

RCS分析显示，PIV与SAP及不良功能结局的发生均呈非线性曲线关系（p-非线性 < 0.001），随着PIV升高，两者的发生风险呈非线性增加。

4. 亚组与交互作用分析

亚组分析表明，PIV在性别、年龄、高血压、糖尿病等多个亚组中均是SAP和不良功能结局的显著预测因子。交互作用分析显示，PIV的预测能力在不同分组间相对稳定，未观察到显著的交互效应（p for interaction > 0.05）。

5. ROC曲线与DCA分析

针对SAP预测，PIV联合ICH-APS-A模型的区分能力最高（AUC 0.886），优于单独的PIV（0.753）或ICH-APS-A（0.844）。针对不良功能结局预测，PIV的预测性能（AUC 0.876）优于NLR（0.81）、MLR（0.813）和PLR（0.727）。DCA曲线证实了PIV联合模型及单独PIV模型的临床实用价值。

6. LASSO特征选择

经LASSO回归筛选，用于预测不良功能结局的变量包括：血肿体积、NIHSS评分、IVH、年龄、白细胞计数（WBC）、出血部位和性别；用于预测SAP的变量包括：ICH-APS-A评分、房颤、性别、WBC、血肿体积、镁离子（Mg²⁺）、载脂蛋白B（APOB）和糖尿病。

7. 九种ML模型性能比较

在九种预测不良功能结局的模型中，XGBoost表现最优（AUC 0.912，准确率0.827，灵敏度0.833，特异度0.823，F1分数0.808）。在预测SAP的模型中，LR表现最优（AUC 0.856，准确率0.774，灵敏度0.611，特异度0.853，F1分数0.637）。因此，分别选定XGBoost和LR作为后续研究的基线模型。

8. 纳入PIV前后的模型性能对比

将PIV纳入基线模型后，两种模型的预测性能均显著提升：XGBoost的AUC从0.926升至0.942，LR的AUC从0.905升至0.931（两者p < 0.05）。DeLong检验确认差异具有统计学意义。校准曲线和Hosmer-Lemeshow检验显示，纳入PIV后模型拟合优度改善。DCA也表明含PIV的模型获得了更大的临床净收益。

9. SHAP可解释性分析

在不佳功能结局的XGBoost模型中，PIV的平均绝对SHAP值为0.312，与年龄（0.344）相当，超过WBC（0.238）和出血部位（0.213）。SHAP依赖图显示较高的PIV值与不良结局风险增加正相关。在SAP的LR模型中，PIV的重要性排名第三（平均绝对SHAP值0.368），仅次于ICH-APS-A评分（0.482）和血肿体积（0.433），同样高于传统指标。这些分析确立了PIV作为稳健独立预测因子的地位。

四、讨论与结论

讨论部分总结： 本研究证实了核心假设，即PIV是sICH患者SAP和90天不良功能结局的独立稳健预测因子。PIV作为一种整合中性粒细胞、单核细胞、血小板和淋巴细胞的综合指标，全面反映了全身炎症和免疫状态。其对不良功能结局的预测性能（AUC 0.876）优于NLR、MLR和PLR等传统比率。PIV与ICH-APS-A评分联合使用时，实现了对SAP的更优预测（AUC 0.886），这种协同效应源于两者信息的互补性。限制性立方样条揭示了PIV与风险之间的显著非线性剂量-反应关系。亚组分析显示了PIV-结局关联的内部一致性。SHAP分析进一步确认PIV是模型中的重要贡献者。研究同时指出了局限性，包括回顾性单中心设计、缺乏外部验证队列、潜在的残余混杂、主观评分的测量偏倚、仅评估基线PIV以及仅限于出血性卒中等。未来需开展前瞻性多中心研究进行外部验证，并考虑动态PIV监测。

结论部分翻译： 总之，本研究表明，将PIV整合至ML模型中可能改善对自发性sICH后SAP及90天不良功能结局的预测。在此背景下，PIV似乎优于传统炎症标志物，这可能归因于其对免疫-血栓网络的全面评估。其在各亚组中一致的预测价值证明了在该队列内部的稳健性。所确定的最优模型（XGBoost用于不良功能结局，LR用于SAP）在性能和可解释性之间取得了平衡，这可能有助于未来的临床转化。然而，这些发现应被视为初步结果，这些模型尚未准备好用于常规临床实践。通过前瞻性外部验证后，PIV整合模型最终可能成为识别高危患者、指导靶向干预并改善sICH预后的有价值工具。