Ключевые результаты
В проспективном многоцентровом исследовании разработана модель машинного обучения на основе алгоритма Random Forest (случайный лес), которая продемонстрировала высокую точность (AUC 0.883, 95% CI 0.829–0.937) в прогнозировании функциональных исходов после хирургического лечения спонтанных супратенториальных глубоких внутримозговых кровоизлияний (ВМК).
Методология
В исследование было включено 285 пациентов с хирургически леченными спонтанными супратенториальными глубокими внутримозговыми кровоизлияниями. Данные были разделены методом стратифицированной случайной выборки на обучающую (n=199) и тестовую (n=86) выборки.
Исходы определялись как:
- Благоприятные (mRS 0-3)
- Неблагоприятные (mRS 4-6)
Для отбора ключевых предикторов использовался метод LASSO с 10-кратной перекрестной проверкой (правило 1-SE). Были обучены пять классификаторов:
- Random Forest (случайный лес)
- Нейронная сеть
- Дерево решений
- k-ближайших соседей
- Наивный байесовский классификатор
Эффективность моделей оценивалась с использованием AUC (площадь под ROC-кривой) и стандартных метрик классификации. Для сравнения AUC применялся тест ДеЛонга. Для интерпретации лучшей модели использовался метод SHAP (SHapley Additive exPlanations).
Клиническое значение
Исследование выявило 8 ключевых предикторов, влияющих на исход после хирургического лечения ВМК:
- Шкала комы Глазго при поступлении (GCS)
- Объем гематомы
- Фактор некроза опухоли альфа (TNF-α)
- Глиальный фибриллярный кислый белок (GFAP)
- Интерлейкин-1β (IL-1β)
- Шкала NIHSS при поступлении
- Средняя температура тела
- Пиковое внутричерепное давление (ВЧД)
Алгоритм Random Forest продемонстрировал наивысшую эффективность (AUC 0.883, точность 0.824, F1-score 0.836) без статистически значимой разницы по сравнению с нейронной сетью (AUC 0.867; P = 0.312).
Анализ SHAP показал, что наиболее значимыми факторами для прогнозирования исхода являются шкала комы Глазго при поступлении и объем гематомы, за которыми следуют TNF-α и GFAP.
Выводы
Мультимодальная модель машинного обучения на основе алгоритма Random Forest обеспечивает хорошую дискриминацию при прогнозировании послеоперационных функциональных исходов у пациентов с хирургически леченными супратенториальными глубокими внутримозговыми кровоизлияниями.
Использование методологии SHAP повышает интерпретируемость модели, количественно определяя вклад каждого фактора в прогноз, что критически важно для применения подобных моделей в клинической практике.
Данное исследование подчеркивает важность комплексного подхода, учитывающего клинические, нейровизуализационные, физиологические и биомаркерные данные для точного прогнозирования исходов после нейрохирургического вмешательства при ВМК.