机器学习法预测模型对老年急性脑出血手术预后的预测效能

陈飞军; 陈英果; 李征阳; 胡圆; 李芳

doi:10.12307/2026.707

摘要：背景:近年来关于急性脑出血病理机制的研究显示,急性脑出血患者术后预后不良的发生与脑内出血导致的脑组织水肿直接相关,而脑组织水肿的严重情况又与炎症因子级联反应关系密切. 目的:基于机器学习算法探讨老年急性脑出血患者血清炎症因子蛋白水平与术后脑水肿体积的相关性及对术后发生预后不良的影响. 方法:选择2022年6月至2024年6月宜春市人民医院收治的老年急性脑出血手术患者250例,根据患者术后是否出现预后不良将其分为预后不良组及预后良好组.收集患者相关资料,分析患者术前血清基质金属蛋白酶9、NOD样受体蛋白3、血管生成素样蛋白2蛋白水平与术后脑水肿体积的相关性;以患者是否发生预后不良为因变量进行危险因素分析,基于机器学习算法中的Logistic回归、决策树、反向传播神经网络算法、支持向量机算法构建老年急性脑出血术后发生预后不良的风险预测模型,采用受试者工作曲线评价不同算法的预测效果. 结果与结论:①250例患者中,预后不良组患者113例(45.2%),预后良好组患者137例(54.8%);②多因素分析显示,两组患者的术前基质金属蛋白酶9(OR=1.037,95%CI=1.010-1.064,P=0.007)、NOD样受体蛋白3(OR=64.050,95%CI=5.139-798.325,P=0.001)、血管生成素样蛋白 2 蛋白水平(OR=82.519,95%CI=6.961-978.225,P<0.001)及术后脑水肿体积(OR=6.859,95%CI=2.109-22.309,P=0.001)为老年急性脑出血术后发生预后不良的独立影响因素;③决策分类回归树算法显示患者的NOD样受体蛋白 3、脑水肿体积及基质金属蛋白酶 9 为老年急性脑出血术后发生预后不良的影响因素;④反向传播神经网络算法显示,影响因素重要性排序:血管生成素样蛋白2>NOD样受体蛋白3>基质金属蛋白酶9>脑水肿体积>肿瘤坏死因子α>美国国立卫生研究院脑卒中量表评分>饮酒史>高血压病史>出血量>病程;⑤支持向量机算法显示影响因素重要性前 5位排序为:NOD样受体蛋白 3(预测变量重要性=0.25)、血管生成素样蛋白 2(预测变量重要性=0.22)、出血量(预测变量重要性=0.14)、肿瘤坏死因子α(预测变量重要性=0.12)、脑水肿体积(预测变量重要性=0.10);⑥4种机器学习算法构建的模型中,支持向量机预测效能最佳;⑦结果提示老年急性脑出血术后患者血清基质金属蛋白酶9、NOD样受体蛋白3、血管生成素样蛋白2蛋白与其术后脑水肿体积相关,以此为基础使用机器学习算法构建的风险预测模型对老年急性脑出血术后预后情况具有较好预测效能,其中以支持向量机算法模型诊断效能最佳.