人工智能助力预测：蛛网膜下腔出血患者的新希望

研究人员利用自动机器学习（aML）预测 poor - grade 动脉瘤性蛛网膜下腔出血（aSAH）患者功能结局，成果具重要意义。

　　动脉瘤性蛛网膜下腔出血（aSAH）是神经重症护理领域的一大难题，它如同隐藏在人体脑血管中的 “定时炸弹”，悄无声息地威胁着人们的生命健康。其发病率虽不算高，却伴随着极高的死亡率和各种严重并发症，让医生们头疼不已。尤其是对于那些病情严重（Hunt - Hess 分级为 IV 或 V 级）的患者，传统的治疗和预后判断方法效果有限，就像在黑暗中摸索，难以找到精准有效的治疗方向。

为了打破这一困境，来自 Montefiore - Einstein 脑血管研究实验室等多个机构的研究人员展开了一场意义非凡的探索之旅。他们的研究成果发表在《Neurosurgical Review》上，为 aSAH 的治疗带来了新的曙光。

在这项研究中，研究人员运用了自动机器学习（aML）技术。该技术就像是一个智能 “数据分析师”，能够自动完成从数据清洗、特征选择到超参数调整等一系列复杂的模型开发步骤。研究人员收集了 60 例 poor - grade aSAH 患者的数据，这些数据涵盖了患者的基本信息、实验室检查指标以及影像学参数等多个方面。

研究人员采用了多种关键技术方法。首先，利用 Python 编程语言在 Google Colaboratory 环境中，借助 MLjar（version 1.1.9）这个强大的工具来开发算法模型。在模型开发过程中，运用了五重分层随机交叉验证进行内部验证，同时通过宏加权平均受试者工作特征曲线下面积（mWA - AUROC）分析以及其他多种性能指标，如准确率、灵敏度、特异性等，来评估模型的性能。

研究结果令人惊喜。在预测患者 1 个月和 3 个月的改良 Rankin 量表（mRS）结局方面，Logistic 回归算法模型表现堪称完美，mWA - AUROC 达到了 1，准确率也高达 100% 。对于 1 个月的 mRS 结局，中性粒细胞计数、血小板计数和 γ - 谷氨酰转移酶（GTT）水平是关键的预测因素；而在预测 3 个月的 mRS 结局时，患者性别、活化部分凝血活酶时间（aPTT）和血清天冬氨酸转氨酶（SGOT/AST）水平最为重要。决策树算法模型也不甘示弱，它确定了各种参数的特定临界值，为临床决策提供了切实可行的信息。例如，碱性磷酸酶水平高于正常范围中值、没有脑积水、采用靶向温度管理（TTM）等，都是有利于患者预后的因素。

从研究结论和讨论部分来看，此次研究成果意义重大。一方面，它充分展示了 aML 在预测 poor - grade aSAH 患者功能结局方面的巨大潜力，为临床医生提供了一种全新且更精准的预后判断工具。通过识别肝功能和凝血参数等新的预测指标，为后续的研究和干预开辟了新的方向。另一方面，虽然研究存在样本量较小、可能存在过拟合等局限性，但研究人员已将开发的模型和相关架构发布在 GitHub 上，方便其他研究人员和临床医生进一步验证和应用，这将有力地推动个性化医学在 aSAH 管理中的发展，有望改善患者的预后和治疗策略。

总的来说，这项研究是 aSAH 治疗领域的重要突破，为未来的临床实践和研究指明了方向，让我们对攻克这一难题充满了信心。