《Scientific Reports》：Explainable machine learning prediction of tracheostomy after craniotomy for supratentorial intracerebral hemorrhage
編輯推薦：
準確預測幕上腦出血（sICH）開顱術后是否需要氣管切開具有挑戰性。本研究旨在開發、外部驗證并解釋一個機器學習模型，用于個體化風險預測。研究通過回顧性多中心隊列，識別了五個關鍵預測因子，并驗證了XGBoost模型的優越性能，最終開發了基于網絡的動態列線圖。該模型為神經重癥監護的循證決策和資源分配提供了有力工具。
在神經外科重癥監護領域，對于因幕上腦出血而接受開顱手術的患者來說，術后是否需要進行氣管切開是一個至關重要的決策。這個決策不僅關系到患者的氣道安全和肺部感染風險，也直接影響著后續的治療路徑和醫療資源的分配。然而，傳統的臨床評估方法在預測這一復雜結果時，其準確性往往不盡如人意，存在著“預測難、決策慢”的困境。面對這一臨床痛點，能否借助現代人工智能的力量，開發出一個既準確又易于理解的預測工具，來幫助醫生進行個體化的風險評估和前瞻性的決策呢？這正是發表于《Scientific Reports》上的一項研究所要解決的核心問題。
為了破解這一難題，研究團隊開展了一項回顧性多中心隊列研究。他們收集了2017年1月至2024年12月期間，來自濰坊市人民醫院和濰坊市中醫院的共計924名接受開顱手術的幕上腦出血患者數據。研究的目標清晰而直接：構建并驗證一個能夠可靠預測術后氣管切開風險的機器學習模型，并確保這個“黑箱”模型的結果是可被臨床醫生理解和信任的。為此，他們系統地比較了多種算法，并引入了先進的模型解釋技術。
在技術方法上，研究首先利用最小絕對收縮和選擇算子（LASSO）回歸結合多變量邏輯回歸，從眾多臨床變量中篩選出最具預測價值的特征。隨后，研究團隊訓練了三種機器學習模型：邏輯回歸、隨機森林和極限梯度提升（XGBoost）。為了確保模型的穩健性和普適性，他們采用了重復的10折交叉驗證進行模型訓練與調優，并在獨立的醫院隊列中進行外部驗證。模型的評估體系全面，涵蓋了區分度（常用指標為受試者工作特征曲線下面積AUROC）、校準度（如Brier評分）和臨床實用性（通過決策曲線分析DCA評估）。最后，為了打開模型的“黑箱”，研究人員使用了SHapley Additive exPlanations（SHAP）方法來解釋模型的預測邏輯，并基于最佳模型開發了一個基于網絡的動態列線圖，以供臨床便捷使用。
研究結果部分揭示了以下核心發現：
- 1.
預測因子的篩選：通過LASSO回歸和多變量邏輯回歸分析，研究最終確定了五個與術后氣管切開風險顯著相關的關鍵預測因子。它們分別是：格拉斯哥昏迷評分（Glasgow Coma Scale, GCS）、患者年齡、腦內血腫體積、手術持續時間以及血清碳酸氫根水平。這五個因子涵蓋了神經功能狀態、患者基本情況、病灶特征、手術應激和生理內環境等多個維度，具有明確的臨床意義。
- 2.
機器學習模型的性能比較：在外部驗證數據集上，三種模型的表現各有特點。其中，XGBoost模型展現出了最為均衡和穩健的性能。其AUROC值達到了0.86，表明模型具有優秀的區分能力，能夠很好地將需要氣管切開的患者與不需要的患者區分開來。同時，其Brier評分為0.15，說明模型的預測概率與實際結果之間具有良好的一致性，校準度佳。
- 3.
模型的臨床實用性與可解釋性：決策曲線分析（DCA）的結果顯示，在廣泛的閾值概率范圍內，XGBoost模型相比“對所有患者均行氣管切開”或“均不行氣管切開”的簡單策略，能提供更高的臨床凈收益。這意味著，使用該模型指導決策能為患者群體帶來更大的實際益處。更重要的是，通過SHAP分析，研究可視化了每個預測因子對模型輸出的貢獻方向和大小。分析證實，較低的GCS評分、較高的年齡、較大的血腫體積、較長的手術時間以及異常的血清碳酸氫根水平，都會正向增加模型預測的氣管切開風險，這一解釋與臨床經驗和病理生理學機制高度吻合，極大地增強了臨床醫生對模型預測結果的信任度。
- 4.
動態預測工具的創建：基于性能最優的XGBoost模型，研究人員開發了一個用戶友好的、基于網絡的動態列線圖。臨床醫生只需在線輸入或調整上述五個預測因子的具體數值，該工具即可實時計算出該患者個體化的術后氣管切開風險概率，為床旁快速決策提供了直觀、便捷的支持。
結論與討論部分對該研究的價值和意義進行了總結與展望。本研究成功開發并外部驗證了一個用于預測幕上腦出血開顱術后氣管切開風險的、基于XGBoost的可解釋機器學習模型。該模型不僅表現出色（AUROC=0.86），而且通過SHAP方法實現了預測邏輯的透明化，并最終以動態列線圖的形式落地為臨床工具。這項工作的意義在于，它將前沿的人工智能技術與急迫的臨床需求相結合，為神經外科重癥監護的精細化、個體化管理提供了新的解決方案。模型能夠幫助醫生更早、更準確地識別出高風險患者，從而優化圍手術期氣道管理策略，提前規劃醫療資源（如ICU床位、呼吸治療師配置），并可能通過改善醫患溝通來提升診療效率。盡管該模型源于回顧性數據，并需要在更廣泛、前瞻性的隊列中進一步驗證，但它無疑為邁向數據驅動的神經外科精準醫療邁出了堅實的一步。
