Ключевые результаты
Ретроспективное двухцентровое исследование продемонстрировало эффективность модели машинного обучения Light Gradient Boosting Machine (LGBM) в прогнозировании внутричерепной инфекции (ВЧИ) после спонтанного внутримозгового кровоизлияния (ВМК). Модель показала отличную дискриминационную способность с площадью под ROC-кривой 0.923 на тестовой выборке. Исследование включало 1,317 пациентов с ВМК, у 165 (12.5%) из которых развилась внутричерепная инфекция.
Методология
Исследование проводилось на базе двух центров в одной провинции с включением пациентов, госпитализированных с 2015 по 2024 год. Для построения прогностических моделей использовались демографические, клинические, лабораторные и радиологические данные, полученные в первые 24 часа после поступления. Авторы сравнили 12 алгоритмов машинного обучения, из которых модель LGBM продемонстрировала лучшие показатели.
Для оценки модели применялись:
- Анализ характеристических кривых (ROC)
- Калибровочные графики
- Кривые точности и полноты (precision-recall)
- Анализ кривых принятия решений
- 10-кратная перекрестная проверка (cross-validation)
Стабильность модели подтверждена средним значением AUC 0.933 при 10-кратной перекрестной проверке на общей когорте пациентов.
Клиническое значение
Разработанная модель может иметь важное значение для клинической практики, поскольку внутричерепная инфекция является серьезным осложнением после ВМК, связанным с:
- Увеличением продолжительности пребывания в отделении интенсивной терапии
- Повышенной заболеваемостью
- Худшими функциональными исходами
Раннее выявление пациентов с высоким риском ВЧИ остается сложной задачей из-за гетерогенной клинической картины и сложных взаимодействий между тяжестью неврологического состояния, системным воспалением и факторами, связанными с лечением.
Исследование показало, что более высокий прогнозируемый моделью риск был независимо и нелинейно связан с повышенным риском ВЧИ и значимо ассоциировался с неблагоприятными функциональными исходами через 180 дней.
Выводы
Разработанная модель машинного обучения продемонстрировала хорошие показатели для раннего прогнозирования внутричерепной инфекции после ВМК с использованием рутинно доступных клинических данных. Она может стать полезным инструментом для стратификации риска в условиях нейрореанимации.
Однако авторы подчеркивают, что была проведена только внутренняя валидация модели, и перед более широким клиническим применением необходима дополнительная внешняя валидация. Это важное ограничение, которое необходимо учитывать при интерпретации результатов исследования.