摘要目的 探讨不同预后的急性意识障碍患者功能磁共振成像(fMRI)海马网络的功能差异,构建支持向量机(SVM)机器学习预测模型并验证.方法 回顾性分析2022年9月—2023年7月南京医科大学第一附属医院神经外科收治并完成fMRI检查的43例急性意识障碍(aDOC)患者的临床资料,所有患者出院后均随访3个月.采用昏迷恢复量表修订版(CRS-R)评估受试者随访期间的意识状态,并剔除影像数据不合格的患者,最终纳入37例患者,其中自发性脑出血患者19例,创伤性脑损伤患者18例.根据随访CRS-R评分将患者分为脱离微小意识状态组(eMCS组,n=13)和慢性意识障碍组(pDOC组,n=24).比较两组患者的临床资料,基于MATLAB平台对影像fMRI数据进行海马功能网络FC值分析,机器学习采用MATLAB内部SVM代码并采用留一法进行交叉验证,采用受试者工作特征(ROC)曲线展示预测效能.结果 两组患者临床资料比较,差异无统计学意义(P＞0.05);eMCS组的格拉斯哥评分[(9.0±1.8)比(6.0±2.1)分]和全面无反应性量表评分[13.00(11.00,13.00)比10.00(8.25,11.75)分]均高于pDOC组,差异有统计学意义(t=3.67,Z=-3.24;P＜0.01).fMRI中血氧水平依赖(BOLD)的对比序列海马网络分析结果显示,两组患者在双侧楔前叶(t=4.632,P＜0.005,TFCE校正)和右侧舌回(t=3.940,P＜0.005,TFCE校正)脑区中存在活动差异.基于fMRI数据海马网络FC值全部差异脑区构建SVM模型的ROC曲线结果显示,曲线下面积(AUC)为0.85,敏感度为0.69,特异度为0.83;基于差异脑区中楔前叶构建SVM模型的AUC为0.88,准确度为81.08,敏感度为0.86,特异度为0.83;基于差异脑区中右侧舌回构建SVM模型的AUC为0.75,准确度为70.27,敏感度为0.77,特异度为0.71.结论 不同预后的急性意识障碍患者的fMRI海马网络在双侧楔前叶和右侧舌回脑区的活动度存在差异,基于这些脑区差异可以构建机器学习模型用于精准预测aDOC患者预后.