Ключевые результаты
Исследование успешно разработало машинную модель для прогнозирования неблагоприятного исхода при валлеровской дегенерации (WD). Модель AdaBoost продемонстрировала наилучшую производительность с AUC = 0.880 и стабильными характеристиками дискриминации и калибровки.
Из 285 пациентов с WD неблагоприятный прогноз (mRS ≥3 через 3+ месяца) развился у 161 пациента (56.49%). Наиболее значимыми предикторами оказались:
- Шкала NIHSS — ведущий фактор риска
- Фибрилляция предсердий
- Артериальная гипертензия
- Локализация поражения (продолговатый мозг, перивентрикулярные зоны, centrum semiovale)
Методология
Дизайн исследования: Ретроспективное когортное исследование в госпитале Xinhua (Университет Далянь, Китай).
Участники: 285 пациентов с WD (медиана возраста 63 года, 55.09% мужчин), разделение на тренировочную и валидационную выборки 7:3.
Отбор признаков: Использованы критерии AIC/BIC, алгоритм Boruta и многофакторная логистическая регрессия для выявления 10 кандидатов-предикторов:
- Сахарный диабет
- Артериальная гипертензия
- Гиперлипидемия
- Фибрилляция предсердий
- Шкала NIHSS
- Поражение продолговатого мозга
- Перивентрикулярная локализация
- Centrum semiovale
- Субкортикальный объём >1000 мм³
- Тяжесть WD
ML-модели: Протестированы 8 алгоритмов машинного обучения с оценкой через ROC-анализ, калибровочные кривые и decision curve analysis (DCA).
Клиническое значение
Модель AdaBoost обеспечивает клиницистам объективный инструмент для:
Стратификации риска
- Выявление пациентов высокого риска неблагоприятного исхода
- Интеграция клинических (NIHSS, коморбидности) и нейровизуализационных данных
- Количественная оценка вклада каждого фактора через SHAP-анализ
Персонализированная медицина
- Обоснование интенсивности реабилитационных мероприятий
- Планирование ресурсов для длительного ухода
- Раннее вмешательство у пациентов группы риска
Исследовательские перспективы
Первая валидированная ML-модель для WD создаёт основу для:
- Многоцентровых исследований
- Разработки терапевтических интервенций
- Оптимизации протоколов нейрореабилитации
Выводы
Разработанная модель машинного обучения демонстрирует высокую прогностическую точность для оценки риска неблагоприятного исхода при валлеровской дегенерации. Шкала NIHSS остается ключевым предиктором, но интеграция с данными МРТ и коморбидностями значительно повышает точность прогноза.
Исследование заполняет важную лакуну в прогнозировании исходов WD и может способствовать развитию персонализированных подходов в нейрореабилитации и планировании долгосрочного ухода за пациентами с данной патологией.