《BMC Neurology》：The predictive value of serological markers for successful weaning and 30-day mortality in patients with severe intracerebral hemorrhage
编辑推荐：
重症脑出血患者撤机与预后评估是临床难题。本研究旨在筛选与撤机结局及30天死亡率相关的血清学指标，并利用机器学习算法构建预测模型。研究结果显示，XGBoost和随机森林模型分别在预测撤机成功和30天死亡率方面表现最佳，并识别了关键影响因素。该研究为临床风险分层与决策提供了简洁实用的参考工具。
脑出血（Intracerebral Hemorrhage, ICH）是一种致死、致残率极高的脑血管疾病。当出血量大或位置关键时，患者常常陷入重症状态，需要入住重症监护室（Intensive Care Unit, ICU）并接受呼吸机辅助通气。对于这部分患者而言，能否成功脱离呼吸机（即“撤机”）是迈向康复的关键一步，而过早或过晚的撤机尝试都可能带来严重后果。同样，评估患者短期内的死亡风险（如30天死亡率）对于制定治疗策略和家属沟通也至关重要。然而，目前的临床实践中，医生主要依赖经验和一些常规指标进行评估，缺乏高精度、个性化的预测工具。是否存在一组客观、易获取的指标，能够更准确地预测患者的撤机结局和死亡风险呢？这正是研究人员希望通过本项研究解答的问题。
为了回答上述问题，研究团队从大型重症监护数据库MIMIC-IV中提取了重症脑出血患者的数据，旨在筛选与撤机结局及30天死亡率相关的血清学指标，并利用多种机器学习算法构建预测模型，以探索其预测价值，为临床提供决策支持。
研究采用的关键技术方法主要包括：1. 数据来源与处理：研究数据来源于公开的重症监护医学数据库MIMIC-IV，共纳入1058名参与者，并按7:3的比例划分为训练集和测试集。2. 特征筛选与模型构建：使用随机森林的特征重要性排序来评估各特征（如年龄、实验室指标等）的预测价值。3. 机器学习建模与评估：应用了包括极端梯度提升、随机森林、支持向量机等在内的九种机器学习算法，分别构建预测成功撤机和30天死亡率的模型，并通过受试者工作特征曲线下面积、准确率、敏感性、特异性等指标评估模型性能，同时利用决策曲线分析评估模型的临床净获益。
研究结果
1. 患者基线特征
研究共纳入1058名重症脑出血患者，其中242人实现了成功撤机。该部分描述了总体人群的基本情况，为后续分析提供了背景。
2. 预测成功撤机的机器学习模型比较
在测试集中，对比了九种机器学习模型在预测成功撤机方面的表现。其中，极端梯度提升模型展现出了最佳的预测性能，其AUC值为0.580，准确率为0.582，敏感性为0.522，特异性为0.598。在预测成功撤机的决策曲线分析中，在20%–30%的阈值概率范围内，决策树、轻量级梯度提升机、支持向量机、极端梯度提升和岭回归模型的临床净获益均高于“治疗所有”和“不治疗”策略。
3. 预测30天死亡率的机器学习模型比较
在预测30天死亡率的九种模型中，随机森林模型表现最佳，其AUC值为0.693，准确率为0.642，敏感性为0.627，特异性为0.656。这表-明随机森林模型在区分患者短期死亡风险方面具有相对更好的判别能力。
4. 特征重要性分析
通过随机森林的特征重要性排序，研究识别出了对两个结局最关键的影响因素。对于成功撤机，体重、血糖、白细胞计数、平均血红蛋白浓度和体温是五个关键影响因素。对于30天死亡率，年龄、急性生理评分III、血糖、白细胞计数和逻辑器官功能障碍系统评分是最关键的预后因素。
研究结论与讨论
本研究系统评估了多种机器学习算法在预测重症脑出血患者成功撤机和30天死亡率方面的表现。结果表明，在众多模型中，XGBoost和随机森林分别在这两个预测任务上展现了相对更优的性能。更重要的是，研究通过特征重要性分析，揭示了影响撤机结局和死亡风险的关键临床指标，如血糖、白细胞计数、年龄和疾病严重程度评分等，这些指标相对易于获取，增强了模型的临床实用性。决策曲线分析进一步显示，部分预测模型在特定决策阈值下能提供高于简单策略的临床净获益，这为模型未来应用于辅助临床决策提供了初步证据。
该研究的核心意义在于，它利用真实世界数据，构建并比较了多种机器学习预测模型，为重症脑出血这一高危人群的个性化管理提供了新的思路和工具。研究所筛选的关键指标和构建的模型，有望帮助临床医生更准确地进行风险分层，例如识别撤机成功可能性较高的患者以优化呼吸管理，或提前关注死亡风险高的患者以加强干预，从而实现更精准的医疗决策。尽管模型性能（尤其是撤机预测模型）仍有提升空间，但本研究为开发简洁、实用的临床决策支持工具迈出了重要一步，其方法学和初步结论对后续相关研究具有参考价值。论文发表在《BMC Neurology》期刊上。
