温州医科大学第一附属医院放射科的Jinjin Liu等采用多中心低分级动脉瘤研究(A Multicenter Poor-grade Aneurysm Study,AMPAS)项目的资料和机器学习技术建立决策树预测模型,对低分级aSAH患者的长期预后进行评估。结果发表于2020年3月的《Neurosurgery》在线。 ——摘自文章章节 【Ref: Liu J, et al. Neurosurgery. 2020 Mar 14;nyaa052. doi: 10.1093/neuros/nyaa052. [Epub ahead of print]】 研究背景 分级低的动脉瘤性蛛网膜下腔出血(aSAH)占aSAH总数的30%。该类患者的发病率和死亡率很高,仅一半病例在治疗后取得良好的预后。准确预测aSAH患者的长期预后对于制定治疗决策至关重要。基于机器学习技术建立的决策树模型(Decision Tree Modeling)是分析aSAH风险和确定决策的重要工具,该模型具有可视化和可行性、简单易懂的特征。温州医科大学第一附属医院放射科的Jinjin Liu等采用多中心低分级动脉瘤研究(A Multicenter Poor-grade Aneurysm Study,AMPAS)项目的资料和机器学习技术建立决策树预测模型,对低分级aSAH患者的长期预后进行评估。结果发表于2020年3月的《Neurosurgery》在线。 研究方法 研究结果 单因素Logistic回归分析表明,年龄大(P=0.002)、女性患者(P=0.028)、糖尿病(P=0.032)、呼吸机辅助通气状态(P=0.008)、瞳孔无反应(P<0.001)、瞳孔散大(P<0.001)、GCS评分低(P<0.001)、WFNS评级5级(P<0.001)、脑室内出血(P=0.042)、改良Fisher分级高(P<0.001)与预后不良相关。纳入上述相关因素进行多因素Logistic回归分析,结果显示,年龄大(P<0.001)、瞳孔反应消失(P=0.004)、GCS评分低(P<0.001)、改良Fisher分级高(P<0.001)是预后不良的4个独立预测因素。使用该4个预后不良的独立预测因素,即改良Fisher分级、瞳孔反应性、GCS评分和年龄建立决策树模型。 图1. 预测aSAH患者长期预后的决策树模型。在决策树中,椭圆节点代表条件,矩形节点代表预测结果,即预后良好或预后不良。以“改良Fisher分级<3”为根节点开始,比较患者改良Fisher分级值与根节点值。如果患者改良Fisher分级<3,则可以下移至“GCS<7”的节点;否则,跳到“双侧瞳孔无反应”的节点。继续将患者的属性值与决策树其它内部节点进行比较,直到达到矩形节点为止,获得预期的结果。改良Fisher分级是决策树的根节点,评估aSAH的严重程度,对于预测预后至关重要。改良Fisher分级3或4的患者,瞳孔反应性非常重要,如果双侧瞳孔无反应,相应的预后很差。对于改良Fisher分级<3的患者,意识水平(GCS)非常重要,如果GCS>7,则预后良好。 在内部测试中,决策树模型的总体准确度为0.833,灵敏度为0.821,特异度为0.846。Logistic回归模型与决策树模型的总体准确性的差异很小;但是,决策树模型预测预后良好的准确性高于logistic回归模型(0.846:0.731)。对于外部测试,Logistic回归模型与决策树模型的总体准确度都达到0.895。Logistic回归模型的内部测试AUC曲线为0.83,外部测试为0.96。决策树模型的内部测试AUC曲线为0.88,外部测试AUC曲线为0.94。 结论 决策树模型是决策分析的重要机器学习方法,具有可视化和可行性特征。它已广泛应用于生物医学领域。决策树模型的一个主要优点是可解释规则或逻辑语句,解释能力强。与其它一些机器学习模型不同,决策树明确地提供所有可能的选择,并在单个视图中跟踪每个选择的结果。此外,决策树技术可以同时用于连续变量和分类变量,而且不需要复杂的计算进行分类。决策树模型的结果提供有关重要属性和对分类的重要信息。从决策树模型的图形说明中,很容易对具有特定属性的样本做出决策。总之,决策树模型是预测aSAH长期预后的简单工具,可为治疗决策作参考。 组稿 陈晓霖 副教授 首都医科大学附属 北京天坛医院 编译 杨涛 主任医师 安康市中心医院 审校 刘创宏 医师 江苏省常熟市 第一人民医院 终审 陈衔城 教授 《神外资讯》主编 复旦大学附属华山医院 |
|