基于CT影像组学特征的机器学习模型对重型颅脑创伤患者颅内压相关参数的预测效能

目的探讨基于CT影像组学特征的机器学习模型对重型颅脑创伤患者压力波幅相关性指数(RAP)和压力反应性指数(PRx)的预测价值。方法回顾性分析2019年1月至2020年12月上海交通大学医学院附属第一人民医院神经外科收治的36例重型颅脑创伤患者的临床和影像学资料。纳入患者的入院格拉斯哥昏迷评分(GCS)[M(范围)]为6(3~8)分。所有患者均行手术治疗、持续颅内压监测及有创动脉压监测,并采集术后1 h内的RAP和PRx。于患者术后1 h的颅脑CT图像中选择1个感兴趣体积(VOI)区域并提取93个影像组学特征。运用递归特征消除法分别筛选出预测PRx和RAP的最优特征子集,然后使用随机森林算法训练分类器预测PRx及RAP,构建基于CT影像组学特征的预测模型。分别评估模型的准确率、精确率、召回率、F1评分和受试者工作特征(ROC)曲线的曲线下面积(AUC),以判断CT影像组学特征的预测性能。结果预测PRx和RAP的最优特征数量分别为12个和15个。通过CT影像组学特征预测PRx的准确率为72%,精确率为85%,召回率为68%,F1评分为0.61,AUC为0.79。通过CT影像组学特征预测RAP的准确率为63%,精确率为78%,召回率为63%,F1评分为0.61,AUC为0.80。结论基于CT影像组学特征建立的模型能够有效预测重型颅脑创伤患者的PRx和RAP,有助于指导治疗方案及评估患者的预后。

颅内压相关参数对闭合性颅脑创伤患者预后的预测价值

目的探讨颅内压(ICP)相关参数对闭合性颅脑创伤患者预后的预测价值。方法回顾性分析2018年9月至2019年9月上海交通大学医学院附属仁济医院神经外科重症监护室(35例)及南华大学附属第二医院神经外科重症监护室(15例)收治的50例闭合性颅脑创伤患者的临床资料。所有患者入院后均行脑室型ICP探头置入术,监测并记录ICP初压,ICP、波幅(AMP)及压力波幅相关性指数(RAP)均取患者入住监护室期间所监测指标的均值。根据出院时格拉斯哥预后评级(GOS),分为预后不良组(GOSⅠ~Ⅱ级,22例)和预后良好组(GOSⅢ~Ⅴ级,28例)。采用单因素分析法和多因素logistic回归分析法判断影响颅脑创伤患者预后的临床因素。绘制受试者工作特征曲线(ROC曲线)并计算曲线下面积,评估ICP相关参数对患者预后的预测价值。结果预后良好组与预后不良组比较,性别、年龄、入住神经重症监护室的时长、参数监测时间及入院时格拉斯哥昏迷评分(GCS)两组的差异均无统计学意义(均P>0.05)。预后良好组出院时的GCS、出院与入院时GCS的差值(△GCS)均高于预后不良组,而入院时合并脑疝、行去骨瓣减压术者占比、ICP初压、ICP均值、AMP、RAP均低于预后不良组,差异均有统计学意义(均P<0.05)。多因素logistic回归分析结果显示,入院时合并脑疝、出院时GCS≤13分、△GCS≤4分、ICP初压≥25.0 mmHg(1 mmHg=0.133 kPa)、ICP均值≥12.5 mmHg、RAP≥0.4是影响患者预后的独立危险因素(均P<0.05)。ICP初压和RAP的ROC曲线下面积分别为0.92(95%CI:0.85~1.00)、0.86(95%CI:0.75~0.97);ICP初压和RAP的灵敏度分别为86.4%、77.9%;特异度分别为78.6%、85.7%。结论ICP初压值、RAP对闭合性颅脑创伤患者的预后具有较好的预测价值。