動脈瘤性蛛網膜下腔出血致血管痙攣的補救治療:採用機器學習的傾向評分匹配分析

本研究通過使用大數據達到提供預測機器學習模型至大型患者數據集來處理,通過基於ML的傾向評分匹配分析顯示補救治療與良好預後比例增加的相關性。

95811634859186964

目的:補救治療被廣泛推薦用於蛛網膜下腔出血(subarachnoid hemorrhage, SAH)後血管造影下血管痙攣( angiographic vasospasm, aVSP)和遲發性腦缺血(delayed cerebral ischemia, DCI)患者。然而,隨機臨床試驗幾乎沒有證據表明這些療法是安全有效的。本研究的主要目的是將基於博弈論的方法應用於可解釋的機器學習(machine learning, ML)和傾向評分匹配,以確定蛛網膜下腔出血後血管造影下血管痙攣和遲發性腦缺血的三個月良好預後是否與補救治療相關。作者還試圖使用這些可解釋的機器學習方法來尋找更可能接受補救治療的患者群體以及與補救治療後與良好結局相關的因素。

方法:   SAH後aVSP或DCI患者的數據來自於蛛網膜下腔出血國際試驗庫中的8項臨床試驗和1項觀察研究。為每位患者構建梯度推進機器學習模型,以預測接受補救治療的概率和3個月格拉斯哥預後量表(GOS)評分。良好結果定義為三個月GOS評分為4或5。計算每個患者衍生模型的Shapley加性説明(SHAP)值,以量化特徵重要性和交互效應。在預測補救治療時具有高度SHAP重要性的變數被用於補救治療和三個月GOS評分的傾向性評分匹配分析。 

結果:作者確定了1532名aVSP或DCI患者。該機器學習模型顯示,在預測是否需要實施補救治療方面具有相對最高重要性排名的是動脈瘤特徵和神經系統並發癥,而不是入院時的神經評分。年輕和無腦缺血/梗死一般與更好的補救預後相關,而其他重要的預後預測因素因補救類型(介入或非介入)而異。在基於SHAP的變數選擇性指導下的傾向評分匹配分析中,補救治療與三個月GOS評分為4-5分(或1.63,95%可信區間1.22-2.17)相關的幾率較高。 

結論:補救治療可能會增加SAH後aVSP或DCI患者良好預後的幾率。考慮到腦缺血/梗死與不良預後之間的密切聯繫,針對這些患者的預防性或治療性干預試驗可能最能證明臨床預後的改善。從這些模型中得出的見解可能有助於改進患者選擇和試驗設計。 

關鍵詞:蛛網膜下腔出血;血管痙攣;遲發性腦缺血;補救治療;機器學習;特徵重要性;傾向評分匹配;血管疾病    

背景 遲發性腦缺血(DCI)是動脈瘤性蛛網膜下腔出血(SAH)的常見並發癥,與血管造影下血管痙攣(aVSP)和經顱多普勒(TCD)血管痙攣密切相關。對於患有aVSP或DCI的患者,建議採用補救治療,包括球囊血管成形術、動脈內輸注血管擴張藥物和誘導高血壓。儘管這些治療已經使用了40多年,但幾乎沒有證據表明它們是安全有效的。大多數使用這些藥物的證據來自單中心的少數患者的回顧性研究。此外,研究補救治療的少數隨機對照試驗(RCT)未發現對臨床結果的影響。缺乏可觀察到的益處的潛在原因可能包括真實的陰性結果、結果指標的不敏感性以及次優的患者選擇和試驗設計。此外,對患者合併症和疾病特徵理解的不全面,可能影響不同形式補救治療的預後,包括不會産生較差預後的aVSP和DCI患者和不能從補救治療中獲益的患者。例如,一項研究誘發性高血壓的隨機對照研究發現,這種治療使嚴重不良事件的風險增加了一倍,並且對臨床預後沒有影響。一個可能的原因是,被診斷為DCI但沒有腦缺血的患者被包括在內,即使理論上他們不能從補救治療中獲益。因此,SAH管理中的一個主要挑戰是了解哪些特徵和治療決定與SAH後血管痙攣的良好或不良預後相關。 為了定量研究不同危險因素對患者功能預後的影響,並深入了解哪些患者可能從補救中獲益,我們分析了從國際蛛網膜下腔出血研究(SAHIT)數據庫前瞻性收集的多中心獨立患者數據。本研究的主要目的是將基於博弈論的新方法應用於可解釋機器學習(ML)(補充方法)和傾向評分匹配中,以確定SAH後血管痙攣的三月預後是否與補救治療相關。我們還試圖確定更可能接受補救治療的患者群體以及與補救治療預後相關的因素。這些可解釋的ML技術具有識別重要變數以及潛在模糊變數交互作用和數據模式的優勢,這些變數有助於患者的預後,而研究人員使用傳統統計方法可能不容易發現。 

方法 數據源 數據來自SAHIT研究中的9項研究:Clazosentan(內皮素受體拮抗劑,克拉生坦)克服蛛網膜下腔出血後發生的神經缺血和梗死(CONSCIOUS-1),這是一項2期隨機對照試驗,患者在SAH後服用安慰劑或三種劑量的Clazosentan中的一種;白蛋白應用於蛛網膜下腔出血(ALISAH),一項多中心、非盲、劑量遞增試驗,患者在蛛網膜下腔出血後接受不同劑量的白蛋白治療;蛛網膜下腔治療數據庫(DSAT),一個單中心回顧性收集臨床分級差的SAH患者;在德國海因裏希·海涅大學(HHU)進行的關於嚴重蛛網膜下腔出血後心室內纖溶和低頻旋轉的非盲二期RCT;尼莫地平微粒促進蛛網膜下腔出血後恢復同時降低毒性(NEWTON-1)研究,一項多中心、非盲、1/2a期RCT,用於確定蛛網膜下腔出血後尼莫地平緩釋製劑的最大腦室內耐受劑量;和來自4項前瞻性3期隨機對照試驗的數據,這些試驗研究了甲磺酸替拉扎德對SAH患者的療效(替拉扎德研究)。 這些研究之所以被採用,因為他們都記錄了與我們現在定義的aVSP和/或DCI特徵重要相容性指標,補救治療和3個月臨床預後。    

變數 收集基線入院特徵,包括格拉斯哥昏迷評分(GCS)評分、世界神經外科學會(WFNS)評分、Fisher評分和改良Fisher評分。動脈瘤數據包括動脈瘤大小(分類為<15mm、15-24mm或點 25 mm)和位置,包括是否起源於大腦前動脈、頸內動脈(ICA)、大腦中動脈或後迴圈動脈。包括動脈瘤修復方法和蛛網膜下腔出血後至手術的時間。 記錄血管痙攣和DCI特徵以及患者並發癥,包括術後神經系統惡化的天數;嚴重aVSP是否明顯(定義為與基線相比狹窄>50%);如果血管痙攣表現為有症狀(DCI)、血管成像陽性,無論在TCD超聲、CT灌注掃描或兩者結合的情況下;以及表現為腦梗塞。亦包括CT顯示中線移位、腦積水、腦室內出血、腦水腫和腦內血腫。SAH並發癥數據包括中樞神經系統感染、尿路感染、肺炎、肺水腫和發熱。患者管理特點包括血管痙攣的預防性治療、抗驚厥藥物的使用以及動脈瘤修復術後的補救治療。補救治療記錄為介入性(包括血管造影術和動脈內灌注)或非介入性(包括誘發高血壓、高血容量或血液稀釋(例如,血流動力學治療])。3個月時的臨床預後用格拉斯哥預後量表(GOS)評分進行描述, GOS評分為4-5分時考慮功能預後良好。血管痙攣的定量是從代表研究者意見的變數中收集的,而不是某個特定研究中的綜述。這樣做是為了確保血管痙攣的診斷是由患者的臨床表徵決定的。這種區別對於本研究的目標之一很重要:了解是否決定為患者提供補救治療,而這依賴於研究者的直覺。值得注意的是,每項研究都有很好的定義血管痙攣的方法,包括通過血管造影(CONSCIOUS-1、NEWTON-1、DSAT、HHU、Tirilazad);TCD(ALISAH,CONSCIOUS -1,Tirilazad);CT灌注掃描(HHU);和/或症狀學(Tirilazad,ALISAH,CONSCIOUS -1,DSAT)。    

預處理、監督ML和交叉驗證 通過使用標準化ML實踐,量化變數被標準化、擴展為單位方差,並標準化為單位常模。使用標簽編碼器從分類變數創建二進位表示。接下來,對於患者子集中隨機缺失的數據,使用多變數特徵插補將這些值建模為其他特徵的函數。選擇10個插補集,得出了缺失值的估計值和置信區間,並進行了敏感性分析,以確定結果是否令人滿意(補充表1)。 在數據預處理後,通過使用各種ML分類器演算法對補救治療和3個月GOS評分進行建模,作為預測結果。結合對比校準圖(補充圖1)的結果,最終實現了梯度增強演算法,因為它能夠學習複雜的數據結構,包括高階交互和非線性關係,即使是高維數據集,該演算法改進了對具有異質性特徵的數據集的處理。在模型訓練之前進行k倍交叉驗證(k=5),隨機分割研究群體樣本,包括內部模型驗證集(75%)以確保穩健的性能,以及用於最終模型評估的模型評估集(25%)。在內部驗證集中,使用4個折疊中的每一個作為訓練數據對模型進行訓練,然後使用剩餘的折疊數據對模型進行驗證。 

特徵重要性、聚類和與Shapley加法解釋值的交互效應 計算Shapley加性説明(SHAP)值,以解釋每個患者水準模型的梯度推進樹預測。使用SHAP值特徵權重進行分層聚類,以比較研究人群中人群子集的特徵相似性和差異。計算形狀交互作用值以定量研究特徵之間的交互作用。使用Python 3.7.中的SHAP包計算所有SHAP值。補充方法中提供了有關應用基於SHAP的方法解釋本研究中ML模型的其他資訊。    

傾向評分匹配與統計分析 傾向評分匹配用來解釋接受或未接受補救治療的患者之間基線特徵的差異。邏輯回歸模型用於評估個體患者的傾向評分。 根據年齡、性別、種族、入院神經功能狀態、入院改良Fisher評分、診療記錄中醫療診斷數量、從SAH到手術的時間、高血壓、高脂血症、DCI/腦梗死、嚴重aVSP、抗驚厥藥使用、SAH特徵和腦水腫,對補救治療進行回歸分析。根據已知的臨床特徵或其在補救治療分配中的重要性選擇變數,並通過預測給出的補救治療模型中提高SHAP重要性證實。在確認接受和未接受補救治療的患者之間的傾向評分分佈存在足夠的重疊後,使用等於標準差0.1卡尺作為嚴格標準,在傾向性得分的對數上對隊列進行1:1的匹配。 在基線測量和合併症、動脈瘤和蛛網膜下腔出血特徵、血管痙攣特徵、並發癥和結果測量方面,對接受和未接受補救治療的配對患者進行比較。分類變數採用卡方檢驗和精確Fisher檢驗進行比較,而連續變數採用t檢驗或秩和檢驗進行比較,取決於分佈正態性。在補救治療和良好預後之間進行單變數邏輯回歸分析。雙尾p值<0.05決定了統計顯著性。所有統計分析均採用SAS 9.4(SAS研究所)。    

結果 我們分析了1532例發生aVSP或DCI的患者。在這些患者中,470名(31%)患有嚴重aVSP;經顱多普勒超聲顯示血管痙攣1254例(82%);652 (43%)經歷過DCI/腦梗塞;823例(54%)接受了補救治療;890名(58%)的3個月GOS評分為4或5分(表1見原文)。 

預測補救治療的實施   梯度增強演算法在僅使用補救前數據預測患者接受任何補救治療(圖1A)、介入性補救治療(圖1B)或非介入性補救治療(圖1C)的概率方面始終具備最可靠的結果(C-統計[C]=0.88、0.87和0.85)。校準曲線表明,梯度增強模型得到了很好的校準,不需要通過保序或S形回歸進行額外校準(補充圖1)。在為個體患者構建補救治療決策的預測模型後,我們計算每個患者衍生模型的SHAP值,並使用它們確定整個研究人群的整體特徵重要性排名(圖2)。我們發現,從蛛網膜下腔出血到入院的時間是決定哪些患者接受補救治療的最重要特徵,蛛網膜下腔出血到入院的時間間隔較長後,可預測性較低。相反,白人、瀰漫性重度蛛網膜下腔出血、高脂血症和無腦水腫的患者接受補救治療的預測幾率較高(圖1D)。相比之下,實施介入性和非介入性補救治療的決定取決於不同的患者和治療特點。如果患者在入院時接受預防性苯妥英鈉或具有更高的改良Fisher評分(圖1E),則更有可能實施介入性補救,而在沒有腦水腫、存在瀰漫性重度SAH的情況下,更可能決定給予非介入性治療,同時記錄更多醫療診斷(圖1F)。值得注意的是,DCI/腦梗死的存在在決定實施補救治療時僅起到輕微的作用,表現為對模型預測的影響相對較弱(圖1D)。 70601634859187268  

圖1. 預測實施任何形式的補救治療的模型組合的ROC曲線(A)、介入性補救治療(B)和非介入性補救治療(C)。ROC曲線下的區域顯示在右下方。虛線表示ROC曲線下面積為0.50的隨機機會。SHAP總結統計圖顯示預測實施任何形式的補救治療的最重要特徵(D)、介入補救治療(E)和非介入補救治療(F)。為每個患者計算每個特徵的SHAP值,該模型由單個點表示,其中顏色基於特徵值。紅點表示該個體患者的高特徵值,而藍點表示低水準特徵值。根據二進位分類特徵,“低”特徵值表示其不存在,“高”值表示其存在。可視化每個特徵的患者特定SHAP值直接顯示每個特徵值(點的顏色)與模型輸出影響的相關性(x軸上的左移或右移)。POD=術後。 

通過補救治療狀態預測3個月GOS評分 接下來,我們試圖使用類似的方法來了解所有經歷過蛛網膜下腔出血後血管痙攣的患者以及接受補救治療的患者的良好預後的決定因素。ML建模再次表明,梯度增強演算法在預測所有血管痙攣患者的良好預後方面展現最佳結果(C=0.80;圖2A)和補救治療子集(C=0.82;圖2B)顯示了該分類任務的良好預測能力。根據每個患者來源模型的功能預後對其SHAP值進行計算和排序,結果顯示沒有DCI或腦梗塞,WFNS分級良好(低),年齡較小,入院時GCS總分良好(高)是所有血管痙攣患者預測良好功能預後的最重要特徵(圖2C)。在補救治療子集中,預測良好功能預後的重要性特徵不同於一部分患者個性特徵。例如,儘管無DCI/腦梗死、GCS總分良好和年齡較低仍然是功能預後良好的最重要預測因素,但在接受補救治療的患者中,術後神經系統惡化、無肺炎、無高血壓史、頸內動脈瘤位置、無抗驚厥藥物的使用等因素,對於預測良好功能預後也變得非常重要(圖2D)。   

16221634859187812

圖2:所有血管痙攣患者的預測良好功能預後模型組合的ROC曲線(3個月GOS評分4或5)(A)和接受補救治療的血管痙攣患者(B)。SHAP匯總統計圖顯示預測所有血管痙攣患者(C)和接受補救治療患者(D)良好功能預後的最重要特徵。紅點表示個體患者的高特徵值,而藍點表示低特徵值。基於二進位分類特徵,“低”特徵值表示其不存在,“高”值表示其存在。 

按補救治療類型預測3個月GOS評分   我們用ML來研究接受介入或非介入性補救治療的患者中影響3個月GOS評分的因素的差異。梯度增強分類器在預測血管痙攣介入(C=0.83)和非介入(C=0.82)補救治療後的良好預後方面表現良好(圖3A和B)。基於SHAP的特徵重要性排名闡明瞭補救類型在重要預測因素方面的差異。例如,相較于預測非介入性補救預後相比,較低的收縮壓和舒張壓(BPs)對於預測介入補救後3個月良好GOS評分更為重要(圖3C)。同樣,在血管痙攣治療之前,術後更長的天數對於預測介入治療後良好的3個月GOS評分也很重要,但不是非介入性補救。相反,入院時良好的WFNS評分和無肺炎被列為非介入性補救(而非介入性補救)3個月後GOS評分的重要預測因子(圖3D)。

60971634859187957

圖3:所有接受補救治療的血管痙攣患者預測良好功能預後模型組合的ROC曲線(3個月GOS評分4或5)(A)和和非介入性補救治療(B)。SHAP總結統計圖顯示了預測接受介入性補救治療(C)和非介入性補救治療(D)患者良好功能預後的最重要特徵。紅點表示個體患者的高特徵值,而藍點表示低特徵值。基於二進位分類特徵,“低”特徵值表示其不存在,“高”值表示其存在。PCA=大腦後動脈;VA=椎動脈。

人群層次聚類與交互作用 與排名重要性匯總圖一致,層次聚類顯示,無DCI/腦梗塞、入院良好WFNS分級、年輕、入院高GCS總分傾向於包括預測良好功能預後機會較高的人群亞群(圖4,紅色標簽)。值得注意的是,聚類顯示具有混合預測因素的患者亞群,並不總是有預期的良好功能預後的預測概率。例如,我們發現一個DCI/腦梗塞的患者亞群,該組患者的3個月GOS得分為4-5分的預測概率仍然很高,可能是由於他們的其他屬性,包括年齡較輕、WFNS評分良好以及從SAH到手術的時間較短(圖4,下圖)。相反,觀察到一組WFNS分級良好但預測良好功能預後的可能性較低的患者,可能是由於同時存在DCI/腦梗死、後迴圈動脈瘤以及術後發生神經功能惡化的天數較低。 在測試SHAP交互作用值時,年齡的交互作用最強烈、最一致。特別是,發現年齡與GCS語言評分、預防性高血容量和中線移位明顯相關(圖5)。這些分析表明,年齡和正常GCS語言評分相互作用,因此,與年輕患者GCS語言評分正常相比,老年患者GCS語言評分正常對預測良好的臨床預後更為重要(圖5A)。同樣,年齡和預防性高血容量是相互作用的,與未向年輕患者提供預防性高血容量治療相比,老年患者未接受預防性高血容量治療不利於良好的臨床預後(圖5B)。最後,年齡和中線移位是相互作用的,因此中線移位和年老會導致比年輕患者更糟糕的預測結果(圖5C)。綜上所述,基於年齡的調節作用對其他臨床因素的重要性表明年齡是一個重要的變數。     12051634859188089

圖4.使用SHAP值特徵權重量化患者相似性的人群層次聚類。上:使用“力圖”確定每個患者的整體SHAP值。將整體SHAP值推高的特徵(紅色,表示良好臨床預後的可能性較大)和將其推低的特徵(藍色,表示良好臨床預後的可能性較低)聯合生成SHAP總凈值,以預測該患者延長住院時間風險(例如,0.77)。下:將力圖逆時針旋轉90°,並對研究人群中的所有患者重復此過程,提供了本研究中所有血管痙攣患者3個月GOS評分為4或5的概率的全局圖,通過類似的風險因素組合進行聚類。具有高(紅色)或低(藍色)預測概率的患者亞群的共同特徵如下圖所示。GCS表示整個過程中GCS分數的變化。

20771634859188210

圖5.關鍵變數之間的交互作用影響3個月GOS評分為4或5的預測機會。SHAP交互值量化了變數交互作用,並顯示了年齡和正常GCS語言評分之間的強交互作用(A)、預防性高血容量治療(B)和存在中線移位(C)。紅點表示存在與年齡相關的交互變數(包括GCS語言評分正常、預防性高血容量和存在中線移位),而藍點表示不存在這些變數。將SHAP交互值(y軸)作為患者年齡(x軸)和交互作用變數(點的顏色)的函數,顯示出明顯的趨勢從而突出了導致更大的交互作用的患者特徵。點的垂直分散度增加表明瞭更大的交互作用。    

傾向性評分匹配   通過從ML模型中確定的重要變數以及臨床公認的重要變數,我們生成了兩個傾向評分匹配隊列,每個隊列包括385名患者,以確定補救治療對預後的影響。與許多整個研究人群中的基線差異(補充表2和表3)相反,匹配的隊列在人口統計學基線和並發癥以及動脈瘤、蛛網膜下腔出血和血管痙攣特徵方面高度相似(表1)。補救治療隊列中有150名患者(39%)和非補救隊列中有128名患者(33%)達到3個月GOS評分5(或1.28,95%可信區間0.95–1.72;p=0.10),表明與良好預後無統計學顯著關聯。然而,使用3個月GOS評分4或5作為良好預後的指標,我們發現補救治療隊列中的238名患者(62%)和非補救隊列中的192名患者(50%)達到此預後(or 1.63,95%可信區間1.22–2.17;p=0.001),表明補救治療與中度殘疾或良好恢復的增加有關(表2)

84221634859188422

80431634859188810

 討論 SAH管理中最重要的挑戰之一是了解哪些患者特徵和治療決策與良好預後相關(表3)。我們盡力通過使用大數據達到提供預測機器學習模型至大型患者數據集來處理,在他成為開放模型及解釋其基於博弈論的解決概念。我們發現,在血管痙攣患者和接受補救治療的患者的完整數據集中,DCI/梗死的存在是影響3個月GOS評分的最重要特徵(圖1)。之前的研究也表明,DCI合併腦梗死與不良預後的相關性比aVSP更高,這證實了這種基於ML的方法似乎産生了有效的結果。儘管兩組患者的其他一些特徵(如GCS評分和年齡)也非常重要,但我們觀察到的一些變數顯示會影響接受補救治療的血管痙攣患者的3個月良好GOS評分,但並非在全部血管痙攣患者組。例如,缺乏特定患者的合併症和並發癥,如高血壓和肺炎,成為了一個更重要的良好臨床預後的預測指標,特別是在接受補救治療的患者中(圖2D)。總之,這些研究結果表明,DCI/腦梗死是SAH治療中最重要的目標和預防事件,因為它與不良預後有可變聯繫。因此,專門針對DCI/梗死患者的預防性或治療性干預的臨床試驗應最能證明臨床結果的改善。然而,我們的分析也表明,對有高血壓病史的患者進行額外監測,預防或及時治療新發肺炎,可能進一步改善接受補救治療患者的臨床預後。同樣,在老年人、GCS語言得分較低和中線移位導致更差結果之間觀察到的陰性交互作用效應(圖5)也表明,在補救治療RCT中,具有這些特徵組合的患者有臨床獲益的空間。    本研究的另一個重點是確定影響血管痙攣個體接受補救治療可能性的因素。儘管血管痙攣可以通過血管造影、TCD、CT灌注或症狀學檢測,但血管痙攣的確定最終取決於研究者的意見,給予補救治療的決定無疑受到研究者對患者臨床圖片解釋的影響。提供臨床診斷支援的數據集中明確的定義和數據為理解臨床決策相關的基本要素提供了一個的最佳選擇,並決定是否給予補救治療。我們可解釋的ML模型顯示,儘管CT掃描上的SAH體積和神經後遺症(如腦水腫)可能是影響補救治療決定的重要因素,而入院時WFNS評分和GCS總分在預測哪些患者最終接受補救治療時不那麼重要(圖1)。入院時的神經狀況被認為是早期腦損傷的信號和預後變化的重要預示,但在決定實施補救治療時的缺乏考慮表明DCI可能不是由於早期腦損傷。值得注意的是,預測是否實施補救治療的最重要特徵,也因補救治療的類型而異。在預防性使用苯妥英鈉和入院時較高的改良Fisher評分的情況下,進行介入性補救治療的決定似乎更有可能,而已存在腦水腫和SAH到手術的時間較短的患者,更有可能進行非介入性補救治療。    最後,基於ML的傾向評分匹配分析顯示,補救治療與良好預後比例的增加相關,這類人群為中度殘疾以及良好預後(GOS評分為4或5)。儘管目前已有證據普遍表明擴張動脈或誘發高血壓以增加灌注的血管內治療和藥物補救療法可降低aVSP,但它們尚未改善RCT的臨床預後。同樣的,目前尚無1級證據支援使用補救療法,各中心誘導性高血壓和血管內治療差異很大。本研究應用了一種新的傾向評分匹配分析,該分析以基於ML的變數選擇為指導,來自於既往研究SAH的多個隨機對照試驗的數據,支援補救治療的使用,併為這一課題提供了其他數據。然而,仍需要具有明確定義的患者群體和臨床指徵的正式隨機對照試驗,以自信地改變目前的補救治療模式。儘管如此,本研究提高了我們對補救治療後90天預後決定因素的理解,並可能有助於開發預後預測工具,幫助臨床醫生更好地預測補救治療的最佳適應症和預後。    這項研究的局限性亦值得一提。儘管從多個高品質臨床數據來源獲取數據可能會提高我們的分析效能,但大多數研究已經確定了納入標準,這可能會限制我們研究結果的外部有效性。此外,將分析僅限于臨床數據集中可用的數據可能會阻止我們發現影響補救治療決策和預後的其他因素。還有,納入試驗過程進行了多年,這可能意味著反映時間變化的偽影已經存在與SAH管理和臨床實踐的數據中。鋻於該分析為回顧性,需要注意重要的是報告的結果是有聯結的,而非因果關係。最後,即使傾向評分匹配也不能排除所有的治療偏倚,因此也不能排除殘余的混雜因素。

神麻人智的述評:

本研究通過使用大數據達到提供預測機器學習模型至大型患者數據集來處理,通過基於ML的傾向評分匹配分析顯示補救治療與良好預後比例增加的相關性。該研究創新採用了人工智慧模式預測影響血管痙攣個體接受補救治療可能性的因素,採用基於ML的傾向評分匹配分析補救治療與良好預後之間的關係,為臨床提供了更優化的解決方案。 這些結果表明,補救治療可能會增加良好臨床預後的幾率,儘管沒有DCI/腦梗死是良好臨床結局預後的最重要指標,但某些患者的合併症和並發癥,特別是無高血壓和肺炎,也可能是接受補救治療的患者獲得更好臨床預後的重要預測因素。針對DCI/腦梗死患者的治療干預或針對預防高血壓和肺炎的方案的臨床試驗可能最能證明臨床結果的改善。同樣,在老年人與GCS語言評分低和中線移位導致更差預後之間觀察到的陰性交互作用也表明,在補救治療的RCT中,具有這些特徵組合的患者有臨床獲益的空間。 編譯:向傳梅,述評:黨丹丹 

 聲明:古麻今醉公眾號為舒醫匯旗下,古麻今醉公眾號所發表內容之智慧財産權為舒醫匯及主辦方、原作者等相關權利人所有。未經許可,禁止進行轉載、摘編、複製、裁切、錄製等。經許可授權使用,亦須註明來源。歡迎轉發、分享。

      中國網是國務院新聞辦公室領導,中國外文出版發行事業局管理的國家重點新聞網站。本網通過10個語種11個文版,24小時對外發佈資訊,是中國進行國際傳播、資訊交流的重要窗口。

      凡本網註明“來源:中國網”的所有作品,均為中國網際網路新聞中心合法擁有版權或有權使用的作品,未經本網授權不得轉載、摘編或利用其他方式使用上述作品。

電話:0086-10-88828000

傳真:0086-10-88828231

媒體合作:0086-10-88828175

品牌活動合作:0086-10-88828063

廣告合作:0086-10-88825964