|
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 |
|
|
