机器学习模型对脑室-腹腔分流术治疗颅脑创伤后脑积水患者预后的预测价值

目的探讨机器学习模型在预测脑室-腹腔分流术(VPS)治疗颅脑创伤后脑积水患者预后中的价值。方法回顾性分析2013年1月至2019年7月复旦大学附属华山医院神经外科收治的因创伤后脑积水行VPS患者的临床资料,共94例。比较分流术前与分流术后出院时最后一次格拉斯哥昏迷评分(GCS)变化,确定进步组(GCS提高≥1分)和未进步组(GCS提高<1分)。采用传统的统计学方法,比较两组患者的年龄、性别、住院时间,颅内感染、后颅窝病变、脑室出血、颅骨缺损、脑室压力及脑积水类型(低压性脑积水和正常压力性脑积水)的差异。采用Python 3.6和scikit-learn 0.23工具包进行机器学习分析,采用logistic回归算法作为机器学习分析的基本算法,随机进行训练测试拆分,其中70%的数据(65例)为训练集,30%的数据(29例)为测试集。分析上述危险因素对分流术后患者预后的预测作用。结果传统统计学结果显示,与未进步组比较,进步组患者的年龄大、分流术前的GCS低,差异均有统计学意义(均P<0.05);而颅内感染、后颅窝病变、脑室出血及颅骨缺损的发生率,以及住院时间、脑室压力、低压性脑积水,两组比较差异均无统计学意义(均P>0.05)。机器学习模型预测结果显示,在训练集预测VPS术后临床进步的准确率为(67.4±20.0)%,曲线下面积(AUC)为0.69±0.18;而测试集分别为62.1%、0.71。与临床诊断比较,基于机器学习模型预测VPS治疗脑创伤后脑积水不良预后的总体准确率为68.1%(64/94),灵敏度为71.4%(30/42)、特异度为65.4%(34/52),AUC为0.89(χ^(2)=12.600,P<0.001)。机器学习预测模型的权重分析显示,低压性脑积水占50.8%、分流术前的GCS占22.7%、颅内感染占13.2%、颅骨缺损占9.7%。结论与传统统计学方法比较,基于机器学习的预测模型可捕捉到统计效应更微小的临床指标,对颅脑创伤后脑积水不良预后的预测价值更大。

植物状态患者经脑积水精准治疗恢复意识四例

目的探讨持续性或永久性植物状态合并脑积水患者进行精准治疗脑积水对于改善患者意识水平的可行性。方法回顾性分析2015年12月至2017年12月复旦大学附属华山医院神经外科急救中心收治的4例长期处于植物状态合并脑积水患者,经精准脑积水治疗后恢复意识的患者临床资料,并进行文献复习。结果 4例患者入院时均为长期处于持续性植物状态合并脑积水的患者。因脑损伤和脑积水,患者脑室均有不同程度变形,且脑实质顺应性极差。经过脑积水的个体化精准评估和精准治疗,尽可能使脑室恢复正常大小,同时结合改善脑顺应性和脑微循环等综合治疗后,患者意识水平明显提高。长期随访发现患者获得良好预后,恢复意识。结论持续性植物状态合并脑积水的患者应积极治疗脑积水,目标是尽可能将脑室恢复接近正常大小,尽可能减少因为脑积水造成的脑结构变形,精准的脑积水治疗或将显著改善患者的意识水平。