编辑推荐：
准确预测幕上脑出血（sICH）开颅术后是否需要气管切开具有挑战性。本研究旨在开发、外部验证并解释一个机器学习模型，用于个体化风险预测。研究通过回顾性多中心队列，识别了五个关键预测因子，并验证了XGBoost模型的优越性能，最终开发了基于网络的动态列线图。该模型为神经重症监护的循证决策和资源分配提供了有力工具。
在神经外科重症监护领域，对于因幕上脑出血而接受开颅手术的患者来说，术后是否需要进行气管切开是一个至关重要的决策。这个决策不仅关系到患者的气道安全和肺部感染风险，也直接影响着后续的治疗路径和医疗资源的分配。然而，传统的临床评估方法在预测这一复杂结果时，其准确性往往不尽如人意，存在着“预测难、决策慢”的困境。面对这一临床痛点，能否借助现代人工智能的力量，开发出一个既准确又易于理解的预测工具，来帮助医生进行个体化的风险评估和前瞻性的决策呢？这正是发表于《Scientific Reports》上的一项研究所要解决的核心问题。
为了破解这一难题，研究团队开展了一项回顾性多中心队列研究。他们收集了2017年1月至2024年12月期间，来自潍坊市人民医院和潍坊市中医院的共计924名接受开颅手术的幕上脑出血患者数据。研究的目标清晰而直接：构建并验证一个能够可靠预测术后气管切开风险的机器学习模型，并确保这个“黑箱”模型的结果是可被临床医生理解和信任的。为此，他们系统地比较了多种算法，并引入了先进的模型解释技术。
在技术方法上，研究首先利用最小绝对收缩和选择算子（LASSO）回归结合多变量逻辑回归，从众多临床变量中筛选出最具预测价值的特征。随后，研究团队训练了三种机器学习模型：逻辑回归、随机森林和极限梯度提升（XGBoost）。为了确保模型的稳健性和普适性，他们采用了重复的10折交叉验证进行模型训练与调优，并在独立的医院队列中进行外部验证。模型的评估体系全面，涵盖了区分度（常用指标为受试者工作特征曲线下面积AUROC）、校准度（如Brier评分）和临床实用性（通过决策曲线分析DCA评估）。最后，为了打开模型的“黑箱”，研究人员使用了SHapley Additive exPlanations（SHAP）方法来解释模型的预测逻辑，并基于最佳模型开发了一个基于网络的动态列线图，以供临床便捷使用。
研究结果部分揭示了以下核心发现：
- 1.
预测因子的筛选：通过LASSO回归和多变量逻辑回归分析，研究最终确定了五个与术后气管切开风险显著相关的关键预测因子。它们分别是：格拉斯哥昏迷评分（Glasgow Coma Scale, GCS）、患者年龄、脑内血肿体积、手术持续时间以及血清碳酸氢根水平。这五个因子涵盖了神经功能状态、患者基本情况、病灶特征、手术应激和生理内环境等多个维度，具有明确的临床意义。
- 2.
机器学习模型的性能比较：在外部验证数据集上，三种模型的表现各有特点。其中，XGBoost模型展现出了最为均衡和稳健的性能。其AUROC值达到了0.86，表明模型具有优秀的区分能力，能够很好地将需要气管切开的患者与不需要的患者区分开来。同时，其Brier评分为0.15，说明模型的预测概率与实际结果之间具有良好的一致性，校准度佳。
- 3.
模型的临床实用性与可解释性：决策曲线分析（DCA）的结果显示，在广泛的阈值概率范围内，XGBoost模型相比“对所有患者均行气管切开”或“均不行气管切开”的简单策略，能提供更高的临床净收益。这意味着，使用该模型指导决策能为患者群体带来更大的实际益处。更重要的是，通过SHAP分析，研究可视化了每个预测因子对模型输出的贡献方向和大小。分析证实，较低的GCS评分、较高的年龄、较大的血肿体积、较长的手术时间以及异常的血清碳酸氢根水平，都会正向增加模型预测的气管切开风险，这一解释与临床经验和病理生理学机制高度吻合，极大地增强了临床医生对模型预测结果的信任度。
- 4.
动态预测工具的创建：基于性能最优的XGBoost模型，研究人员开发了一个用户友好的、基于网络的动态列线图。临床医生只需在线输入或调整上述五个预测因子的具体数值，该工具即可实时计算出该患者个体化的术后气管切开风险概率，为床旁快速决策提供了直观、便捷的支持。
结论与讨论部分对该研究的价值和意义进行了总结与展望。本研究成功开发并外部验证了一个用于预测幕上脑出血开颅术后气管切开风险的、基于XGBoost的可解释机器学习模型。该模型不仅表现出色（AUROC=0.86），而且通过SHAP方法实现了预测逻辑的透明化，并最终以动态列线图的形式落地为临床工具。这项工作的意义在于，它将前沿的人工智能技术与急迫的临床需求相结合，为神经外科重症监护的精细化、个体化管理提供了新的解决方案。模型能够帮助医生更早、更准确地识别出高风险患者，从而优化围手术期气道管理策略，提前规划医疗资源（如ICU床位、呼吸治疗师配置），并可能通过改善医患沟通来提升诊疗效率。尽管该模型源于回顾性数据，并需要在更广泛、前瞻性的队列中进一步验证，但它无疑为迈向数据驱动的神经外科精准医疗迈出了坚实的一步。
