脑出血预后预测机器学习模型比较：基于ATACH-2和卡塔尔卒中数据库的分析

《Canadian Journal of Neurological Sciences》：A Comparison of Machine Learning Models for ICH Prognostication: An Analysis of ATACH-2 and Qatar Stroke Database

　　摘要引言：针对自发性脑出血（sICH）患者的发病率和死亡率，目前已开发出多种预后评分模型。这些评分模型传统上基于涉及有限变量的统计方法。机器学习（ML）的出现使得能够开发多种sICH预后模型，这些模型可充分利用更多的数据。方法：我们在两个不同的数据集上训练机器学习模型：(1) 仅卡塔尔数据集；(2) 由卡塔尔数据集和《急性脑出血抗高血压治疗II》（ATACH-2）数据集合并而成的数据集。模型验证分别在卡塔尔和ATACH测试集上进行，以揭示模型在各研究人群内部及跨人群中的表现。通过将住院期间变量纳入模型构建，我们利用了更多信息。我们还比较了仅基于入院变量构建的模型与同时基于入院和住院变量构建的模型。结果：在使用合并训练数据预测90天死亡率方面，XGBoost（XGB）在卡塔尔测试集上取得最高的曲线下面积（AUC），而随机森林在ATACH测试集上的AUC达到0.916。对于90天功能结局，随机森林和XGB分别取得AUC为0.882。使用入院和住院数据训练的模型优于仅使用入院数据的模型。特征重要性分析揭示了重要的预后标志，如血肿扩展和插管状态。敏感性分析确认，结果对于随访影像学检查可用性假设具有稳健性。结论：本研究设计反映了一种真实世界的部署场景，即在一个中心开发的模型被迁移至外部队列，同时仍然避免测试数据中的任何信息泄露。