基于监督机器学习的脑CT分析作为院外心脏骤停后结果的预测指标

2024-06-11 Tue
脑部CT分析作为院外心脏骤停后预后预测工具的监督机器学习分析研究背景心脏骤停（Out-of-Hospital Cardiac Arrest, OHCA）是西方世界主要的死亡原因之一，其存活率极低，仅为3%到16%。OHCA后的神经学预后和总体预后主要由缺氧缺血性脑损伤（Hypoxic-Ischemic Brain Injury, HIBI）决定。大多数OHCA导致的死亡是因为认为预后很差而撤除生命支持。因此，准确识别HIBI和进行可靠的预后判断对告知亲属、做出治疗决策以及合理使用有限的重症监护资源至关重要。
研究动机OHCA带来的医学挑战巨大，准确的预后判断对于患者、家属和医护人员具有深远影响。当前使用的预后算法包括电生理、临床、影像和实验室参数。然而，尽管脑部CT（Cerebral CT, CCT）是OHCA后最常用的影像学方法，其灰白质比值（Gray-White Matter Ratio, GWR）虽然在预测不良神经预后上有较高的特异性，但其敏感性受成像时间的影响较大。
研究目的本研究旨在通过开发一种基于监督机器学习的自动化脑部CT分析方法（Automated CCT Analysis, ACCTA），以评估这种方法在OHCA患者预后中的额外价值。研究假设ACCTA在OHCA患者预后判断中能提供可靠且具有竞争力的预后价值。
研究来源这篇研究论文由Hannes Gramespacher, Maximilian H.T. Schmieschek等多位作者共同撰写，所有作者均来自德国科隆大学医院神经科。文章发表在2024年7月9日的《Neurology》杂志上。
研究方法与流程样本选择与数据处理这是一项单中心的回顾性队列研究，研究对象为在2013年9月到2018年8月期间因非创伤性OHCA入院的患者。根据既往研究，选取在心脏骤停后14天内接受非增强型脑部CT的患者，并排除了成像质量不佳或存在急性中枢神经系统病变的患者，最终确定132例研究对象。
数据分析与机器学习模型研究采用了一种基于弹性网络正则化逻辑回归模型的监督机器学习分类器，针对心脏骤停后的灰质改变进行了训练和测试。样本数据按75%/25%的比例随机分为训练集和验证集，模型采用10折交叉验证进行训练。机器学习模型的特征包括患者的年龄、性别、成像时间及各个脑区的灰质概率。模型使用的是Python 3模块Scikit-learn。
实验流程数据预处理：将原始CT数据转换为标准化格式，进行去偏校正和空间归一化处理。
图像分割：使用CTSeg工具箱对图像进行分割和归一化处理。
灰质概率计算：在大脑166个自动解剖标记的区域内提取灰质概率作为特征。
模型训练：使用弹性网络正则化逻辑回归模型进行训练，交叉验证调整超参数。
模型评价：在验证集中评估模型表现，使用ROC曲线下面积（AUC）作为主要性能指标。
对比分析研究还比较了ACCTA与现有预后指标（GWR、NES和NFL）在神经学预后评估中的诊断准确性。结果表明，ACCTA的AUC（0.73）优于GWR（0.66），但在某些时间点上不如生物标志物NFL和NSE。
主要研究结果结果一：模型性能
ACCTA模型在验证集中的AUC为0.73，表现优于GWR（AUC = 0.66），但生物标志物NFL（AUC = 0.87）和NSE（AUC = 0.78）在特定时间点上的表现更佳。
结果二：脑区重要性
通过ACCTA分析发现，中脑（尤其是黑质）、小脑和丘脑区域在预后决策中具有较大解释力。
对比GWR
GWR由两位有经验的放射科医生进行评估，尽管其对预后有较高的特异性，但敏感性较低，且受成像时间的影响较大。
时间因素影响
研究发现，无论成像具体时间如何，ACCTA在14天内均可提供有价值的预后信息。
研究结论与意义研究结论本研究的初步证据表明，ACCTA能够提供一种简单、客观且独立于观察者的预后判断方法。相比于传统的GWR，ACCTA展示出更高的预后价值，且不受成像时间的显著影响。
研究意义在OHCA后的临床工作中，基于机器学习的脑部CT自动化分析可以作为标准预后工具的有益补充，为医护人员提供额外的决策支持。这对于合理使用有限的重症监护资源，精确预后判断以及指导亲属和患者的治疗选择具有重要意义。
研究亮点重要发现：ACCTA在一定程度上超越了传统的GWR，特别是在早期阶段能够提供比血清标志物更好的预后判断。
新颖方法：基于机器学习的脑部CT自动化分析，提供了一种更为全面的脑区分析方法。
临床价值：ACCTA作为一种快速、自动化且不依赖观察者的工具，能显著提升OHCA患者的预后判断准确性。
扩展与未来研究此研究结果建议需要在更大规模、更异质的患者群体中进行进一步的前瞻性多中心研究以验证ACCTA的有效性。未来的研究还应考虑纳入更多的影像学参数和生物标志物，以进一步提升预后模型的准确性和可靠性。