检索历史 清除

摘要目的：颅内动脉瘤是一种常见的脑血管疾病，支架辅助弹簧圈栓塞(SAC)是目前主流的治疗方式，其治疗效果的评估需要长期的放射学随访(DSA、MRA或CTA)。本研究的目的是基于机器学习建立一个预测动脉瘤支架辅助弹簧圈栓塞后复发的模型，帮助临床决策选择治疗方式和放射学随访的频率和类型。<br>　　方法：回顾性分析2013年5月至2018年5月于东南大学医学院第二临床学院(东部战区总医院)神经外科接受Enterprise支架治疗983例颅内动脉瘤患者的临床资料。根据纳入和排除标准，最终纳入489例患者，共计580个颅内动脉瘤。采用Raymond分级评估术后即刻动脉瘤栓塞程度，动脉瘤复发即随访时显示动脉瘤对比剂较术后即刻充盈增加。整个数据集按照7:3的比例随机分为训练集(406例)和验证集(174例)。在训练集上，采用最小绝对值收缩与选择算子(LASSO)回归对收集到的21个特征进行降维，13个非零系数的特征被选择用来构建模型。使用R软件分别建立logistic回归、随机森林(RF)、支持向量机(SVM)、极端梯度提升(XGBoost)以及人工神经网络(ANN)5个预测模型，然后在验证集上验证模型的性能。Logistic回归模型结果的解释采用列线图(Nomogram图)，其他机器学习模型结果的解释采用SHAP分析。<br>　　结果：验证集中，5个模型的AUC值均大于0.7，XGBoost和logistic回归的区分能力最好，它们的AUC值分别为0.966(95CI%,0.937~0.995)和0.960(95CI%,0.926~0.994)。DeLong检验中，logistic回归和XGBoost模型的ROC曲线之间无统计学差异(P=0.677)，与其它三种模型的ROC曲线之间均有明显的统计学差异(P＜0.05)。在logistic回归模型中，动脉瘤复发的独立危险因素分别为较大的瘤高(Height)(OR=1.208,95%CI：1.113~1.312,P＜0.001)、较高的Raymond分级(OR=2.789,95%CI：1.619~4.803,P＜0.001)以及入射角(IA)大于90度(OR=3.552,95%CI：1.539~8.199,P=0.003)；在XGBoost模型中，对动脉瘤复发影响最重要的5个特征是术后即刻Raymond分级、瘤宽(Width)、动脉瘤最大径(Dmax)、尺寸比(SR)以及入射角(IA)。<br>　　结论：机器学习算法在预测颅内动脉瘤SAC后复发中是可行的，XGBoost算法在本研究中表现优于其他算法，logistic回归次之。动脉瘤术后即刻的不完全闭塞、较大的入射角以及较大的尺寸可能是导致动脉瘤复发的危险因素。