综述：机器学习模型预测颅内动脉瘤破裂后血管痉挛的系统评价与荟萃分析

《Acta Neurochirurgica》：Machine learning models for predicting vasospasm following ruptured intracranial aneurysms: a systematic review and meta-analysis

本综述系统评价了机器学习（ML）在预测动脉瘤性蛛网膜下腔出血（aSAH）后脑血管痉挛中的应用。分析表明，深度学习（DL）等ML模型展现出高预测准确性（AUC-ROC可达0.97），尤其在敏感性方面表现优异，有望实现早期、个性化风险分层，从而优化监测策略。然而，研究存在方法学异质性高、缺乏前瞻性验证等局限，目前阻碍了其临床转化。

　　

引言

动脉瘤性蛛网膜下腔出血（aSAH）后脑血管痉挛是一种常见且严重的并发症，其在血管造影上的发生率高达70%，临床显性症状发生率约为20-40%。它是导致延迟性脑缺血（DCI）和不良预后的主要驱动因素。尽管标准护理包括重症监护、每日经颅多普勒超声和预防性尼莫地平应用，但这些措施本质上是反应性的，且资源消耗大。机器学习（ML）技术能够整合大量临床、生理和影像学变量，捕捉复杂模式，为早期、个性化风险预测提供了新途径。

方法

本研究遵循PRISMA 2020指南，系统检索了PubMed和Embase数据库中截至2025年7月18日的相关文献。纳入标准为应用ML模型预测aSAH后放射学或临床血管痉挛的原创研究。最终纳入12项研究（2011-2025年），涵盖25个ML模型。使用PROBAST工具评估偏倚风险，并对敏感性、特异性、准确度、阳性预测值（PPV）、阴性预测值（NPV）和受试者工作特征曲线下面积（AUC-ROC）等性能指标进行统计分析。

结果

模型性能比较

不同ML算法家族的表现存在差异。深度学习（DL）模型在敏感性（均值97.6%）和AUC-ROC（均值0.973）方面表现最佳，显著优于回归方法和支持向量机（SVM）（p=0.003）。然而，DL模型的阳性预测值（PPV，均值54.0%）相对较低，意味着假阳性率较高。SVM模型则显示出最高的阴性预测值（NPV，均值85.0%）。集成方法和回归方法在PPV方面表现更优。双变量分析显示，人工神经网络（ANN）和随机森林（RF）模型在敏感性和特异性之间取得了较好的平衡。

预测因子类型

影像学特征，尤其是通过半自动分割（如ITK-SNAP）量化的入院CT扫描蛛网膜下腔出血体积，是强有力的预测因子，其预测性能（AUC=0.86）优于传统的改良Fisher分级。放射组学特征（如纹理和形状）也被广泛应用。临床评分（如世界神经外科学会联合会分级WFNS、格拉斯哥昏迷评分GCS、Hunt-Hess分级）和生物标志物（如缺氧诱导因子1α、血管内皮生长因子VEGF、内皮素-1）也是重要输入变量。部分研究还纳入了血流动力学或计算流体动力学（CFD）特征以及动脉瘤形态学参数。

儿科与成人人群

仅有一项研究关注儿科aSAH患者，其将基于成人数据训练的ANN模型应用于16例患儿，成功识别出唯一发生症状性血管痉挛的病例。但这提示成人模型可能具有一定的外推性，仍需更大规模的儿科研究验证。

局限性与挑战

当前研究存在显著局限性。大多数研究为回顾性设计，样本量有限，且存在方法学异质性。数据划分策略报告不清，部分验证集样本量过小导致性能指标不稳定。类不平衡问题普遍存在。大多数模型缺乏外部验证和前瞻性评估，临床可解释性不足也限制了其被临床医生接受。集成方法和回归方法的性能指标变异度较大。

结论

机器学习模型，特别是深度学习（DL）和集成方法，在预测aSAH后血管痉挛方面展现出巨大潜力，其性能往往优于传统统计模型。通过整合影像组学、临床特征和生物标志物，ML有望实现早期、个性化的风险分层，从而优化医疗资源分配。然而，未来的研究需要致力于解决当前的方法学局限，进行大规模、多中心、前瞻性的验证，并开发用户友好、可解释的临床决策支持工具，以推动其真正的临床转化。