切换至 "中华医学电子期刊资源库"
高级检索
中华脑科疾病与康复杂志(电子版)

中华脑科疾病与康复杂志(电子版) ›› 2023, Vol. 13 ›› Issue (04) : 193 -198. doi: 10.3877/cma.j.issn.2095-123X.2023.04.001

临床研究

利用多模态医学数据和机器学习构建脑出血预后预测模型的研究
陈显金, 吴芹芹, 何长春, 张庆华†()   
  1. 518000　深圳，华中科技大学协和深圳医院神经外科
  • 收稿日期:2022-06-28 出版日期:2023-08-15
  • 通信作者: 张庆华

Research on constructing prognosis prediction model of intracerebral hemorrhage using multimodal medical data and machine learning

Xianjin Chen, Qinqin Wu, Changchun He, Qinghua Zhang†()   

  1. Department of Neurosurgery, Huazhong University of Science and Technology Union Shenzhen Hospital, Shenzhen 518000, China
  • Received:2022-06-28 Published:2023-08-15
  • Corresponding author: Qinghua Zhang
  • Supported by:
    The Municipal Science & Technology Innovation Commission Foundation of Shenzhen(Z2021N059)
全文 ( ) 下载PDF ( ) 导出引用
引用本文：

陈显金, 吴芹芹, 何长春, 张庆华. 利用多模态医学数据和机器学习构建脑出血预后预测模型的研究[J]. 中华脑科疾病与康复杂志(电子版), 2023, 13(04): 193-198.

Xianjin Chen, Qinqin Wu, Changchun He, Qinghua Zhang. Research on constructing prognosis prediction model of intracerebral hemorrhage using multimodal medical data and machine learning[J]. Chinese Journal of Brain Diseases and Rehabilitation(Electronic Edition), 2023, 13(04): 193-198.

目的

利用多模态医学数据和机器学习构建脑出血预后预测的模型，并探讨其预测价值。

方法

回顾性分析华中科技大学协和深圳医院神经外科2020年1~12月收治的98例脑出血患者的临床资料及北京协和医院建立的全国多中心颅内出血数据库2020年1~12月纳入的302例脑出血患者的临床资料。构建脑出血影像学数据库，提取影像组学、临床相关因素标签，构建预测患者预后的模型。另选取华中科技大学协和深圳医院神经外科2021年1~12月收治的100例脑出血患者进行模型前瞻性验证。

结果

400例患者预后不良的发生率为19.00%，单因素及多因素分析结果显示GCS评分、收缩压、舒张压、血糖、血肿体积、周围水肿体积、纤维蛋白原均是预后的影响因素（P<0.05）。自编码影像特征-临床数据模型预测脑出血患者预后的灵敏度、特异度、准确度、曲线下面积（AUC）[95%置信区间（95%CI）]分别为100.00%、99.38%、99.50%、0.994（0.935~0.998），均高于自编码影像特征模型及传统模型，且自编码影像特征模型均高于传统模型（P<0.05）。经验证，自编码影像特征-临床数据模型预测脑出血患者预后的灵敏度、特异度、准确度、AUC（95%CI）分别为100.00%、97.47%、98.00%、0.974（0.922~0.996）。

结论

利用多模态医学数据和机器学习构建的自编码影像特征-临床数据模型预测脑出血预后的效能高。

关键词: 多模态医学数据, 机器学习, 脑出血, 生活质量
Objective

To construct a predictive model of cerebral hemorrhage prognosis prognosis using multimodal medical data and machine learning, and to explore its predictive value.

Methods

A total of 400 cerebral hemorrhage data was retrospective analyzed, included 98 cerebral hemorrhage patients in the Neurology Department of Peking Union Medical College Shenzhen Hospital, Huazhong University of Science and Technology from January to December 2020 and 302 cerebral hemorrhage patients from the National Multicenter Intracranial Hemorrhage Database established by Peking Union Medical College Hospital from January to December 2020 to build an imaging database of cerebral hemorrhage, extract the labels of imaging omics and clinical related factors, and build a model to predict patients' prognosis. Another 100 patients with intracerebral hemorrhage in the Neurology Department of Peking Union Medical College Shenzhen Hospital, Huazhong University of Science and Technology from January to December 2021 were selected for prospective verification of the model.

Results

The incidence of poor prognosis in 400 patients was 19.00%. The results of univariate analysis and multivariate logistic regression analysis showed that GCS score, systolic blood pressure, diastolic blood pressure, blood glucose, hematoma volume, peripheral edema volume, fibrinogen were all the influencing factors of poor prognosis (P<0.05). The sensitivity, specificity, accuracy and area under curve (AUC) [95% confidence interval (95%CI)] of self coding image feature clinical data model for predicting prognosis in patients with cerebral hemorrhage were 100.00%, 99.38%, 99.50% and 0.994 (0.935-0.998) respectively, which were higher than those of self coding image feature model and traditional model (P<0.05), and those of the self coding image feature model were higher than those of traditional model (P<0.05). After verification, the sensitivity, specificity, accuracy and AUC (95%CI) of the self coded image feature clinical data model for predicting prognosis in patients with cerebral hemorrhage were 100.00%, 97.47%, 98.00% and 0.974 (0.922-0.996) respectively.

Conclusion

The self coding image feature clinical data model based on multi-modal medical data and machine learning has high efficiency in predicting cerebral hemorrhage prognosis.

Key words: Multimodal medical data, Machine learning, Cerebral hemorrhage, Quality of life
表1 预后不良和良好患者的一般资料比较
Tab.1 Comparison of general information between patients with poor and good prognosis
资料 预后不良（n=76） 预后良好（n=324） χ2/t值 P值
性别[例（%）]     0.256 0.613
男 47（61.84） 196（60.49）    
女 29（38.16） 128（39.51）    
年龄（岁，Mean±SD） 58.65±11.20 57.32±10.83 0.960 0.338
出血部位[例（%）]     0.226 0.635
脑叶 5（6.58） 20（6.17）    
基底节 56（73.68） 231（71.30）    
丘脑 7（9.21） 30（9.26）    
其他 8（10.53） 41（12.65）    
GCS评分（分，Mean±SD） 6.69±1.35 5.12±1.06 11.040 <0.001
收缩压（mmHg，Mean±SD） 149.54±20.07 121.07±17.15 12.640 <0.001
舒张压（mmHg，Mean±SD） 98.58±13.44 71.45±10.09 19.795 <0.001
血糖（mmol/L，Mean±SD） 9.15±1.63 7.12±0.63 17.722 <0.001
血肿体积（mL，Mean±SD） 52.15±8.17 38.79±6.24 15.839 <0.001
周围水肿体积（mL，Mean±SD） 20.50±4.18 16.35±3.09 9.843 <0.001
FIB（g/L，Mean±SD） 1.18±0.24 3.07±0.52 30.923 <0.001
血小板计数（×109/L，Mean±SD） 215.16±27.88 213.47±26.95 0.490 0.624
图1 危险因素方程预测患者预后不良的ROC验证
Fig.1 ROC validation of the risk factor equation for predicting poor patient prognosis
表2 影响脑出血患者预后的多因素Logistic回归分析
Tab.2 Multivariate Logistic regression analysis on the prognosis of patients with cerebral hemorrhage
影响因素 β值 SE值 Wald χ2值 P值 OR值 95%CI
GCS评分 1.593 0.543 8.607 <0.001 4.918 3.887~5.012
收缩压 1.421 0.552 6.627 0.001 4.141 3.476~4.533
舒张压 1.438 0.567 6.432 0.003 4.212 3.860~4.437
血糖 1.575 0.638 6.094 0.005 4.831 4.158~5.026
血肿体积 1.983 0.882 5.055 0.012 7.265 6.895~7.474
周围水肿体积 1.802 0.803 5.036 0.012 6.062 5.738~6.204
FIB -0.618 0.314 3.874 0.036 0.539 0.432~0.667
图2 各种模型对脑出血患者预后的预测ROC曲线
Fig.2 Prediction receiver operating characteristic of prognosis in patients with cerebral hemorrhage by various models
表3 各种模型对脑出血患者预后的预测价值分析
Tab.3 Analysis of the predictive value of various models for prognosis in patients with cerebral hemorrhage
预测模型 灵敏度（%） 特异度（%） 准确度（%） AUC 95%CI
新建模型 自编码影像特征模型 90.79 96.60 95.50 0.877 0.812~0.942
自编码影像特征-临床数据模型 100.00 99.38 99.50 0.994 0.935~0.998
传统模型 临床数据模型 80.26 90.43 88.50 0.836 0.781~0.891
影像组学模型 78.95 91.05 88.75 0.719 0.632~0.806
影像组学-临床数据模型 81.58 94.14 91.50 0.766 0.682~0.850
图3 自编码影像特征-临床数据模型预测脑出血患者ROC曲线
Fig.3 Receiver operating characteristic of patients with cerebral hemorrhage predicted by self coding image characteristics clinical data model
[1]
杨帆,杨国军,杨哲.北京地区3139例首发脑出血患者流行特征及预后情况分析[J].华南预防医学, 2022, 48(1): 46-54; 46-49, 54. DOI: 10.12183/j.scjpm.2022.0046.
[2]
中华医学会神经外科学分会,中国医师协会急诊医师分会,中华医学会神经病学分会脑血管病学组,等.高血压性脑出血中国多学科诊治指南[J].中国急救医学, 2020, 40(8): 689-702. DOI: 10.3969/j.issn.1002-1949.2020.08.001.
[3]
车鹏,黄可,胡俊,等. S-100β蛋白和NES对急诊脑出血患者预后的预测价值[J].重庆医学, 2021, 50(5): 757-761. DOI: 10.3969/j.issn.1671-8348.2021.05.009.
[4]
Rao B, Zohrabian V, Cedeno P, et al. Utility of artificial intelligence tool as a prospective radiology peer reviewer - detection of unreported intracranial hemorrhage[J]. Acad Radiol, 2021, 28(1): 85-93. DOI: 10.1016/j.acra.2020.01.035.
[5]
赖建东,王宁,罗坤,等.基于深度学习计算机辅助诊断系统测量脑出血量[J].中国医学影像技术, 2020, 36(12): 1781-1785. DOI: 10.13929/j.issn.1003-3289.2020.12.005.
[6]
中华医学会神经病学分会,中华医学会神经病学分会脑血管病学组.中国脑出血诊治指南(2019)[J].中华神经科杂志, 2019, 52(12): 994-1005. DOI: 10.3760/cma.j.issn.1006-7876.2019.12.003.
[7]
Boase K, Machamer J, Temkin NR, et al. Central curation of Glasgow outcome scale-extended data: lessons learned from TRACK-TBI[J]. J Neurotrauma, 2021, 38(17): 2419-2434. DOI: 10.1089/neu.2020.7528.
[8]
Abulhasan YB, Ortiz Jimenez J, Teitelbaum J, et al. Milrinone for refractory cerebral vasospasm with delayed cerebral ischemia[J]. J Neurosurg, 2020, 134(3): 971-982. DOI: 10.3171/2020.1.JNS193107.
[9]
Kase CS, Hanley DF. Intracerebral hemorrhage: advances in emergency care[J]. Neurol Clin, 2021, 39(2): 405-418. DOI: 10.1016/j.ncl.2021.02.002.
[10]
Derraz I, Cagnazzo F, Gaillard N, et al. Microbleeds, cerebral hemorrhage, and functional outcome after endovascular thrombectomy[J]. Neurology, 2021, 96(13): e1724-e1731. DOI: 10.1212/WNL.0000000000011566.
[11]
滕兆平,刘卫国,杨小旺,等.中性粒细胞与淋巴细胞比值对急性脑出血病人短期预后不良的预测价值[J].中西医结合心脑血管病杂志, 2020, 18(14): 2320-2324. DOI: 10.12102/j.issn.1672-1349.2020.14.033.
[12]
Park HK, Lee JS, Kim BJ, et al. Cilostazol versus aspirin in ischemic stroke with cerebral microbleeds versus prior intracerebral hemorrhage[J]. Int J Stroke, 2021, 16(9): 1019-1030. DOI: 10.1177/1747493020941273.
[13]
Ma L, Zhang S, Li Z, et al. Morbidity after symptomatic hemorrhage of cerebral cavernous malformation: a nomogram approach to risk assessment[J]. Stroke, 2020, 51(10): 2997-3006. DOI: 10.1161/STROKEAHA.120.029942.
[14]
唐卉,辜蕊,周嫱,等.自发性脑出血长期预后因素分析以及预测评分量表的建立[J].四川医学, 2021, 42(9): 913-918. DOI: 10.16252/j.cnki.issn1004-0501-2021.09.011.
[15]
Pyun JM, Ryoo N, Park YH, et al. Fibrinogen levels and cognitive profile differences in patients with mild cognitive impairment[J]. Dement Geriatr Cogn Disord, 2020, 49(5): 489-496. DOI: 10.1159/000510420.
[16]
吴蓉蓉,鲁珊珊,张久楼,等.基于机器学习预测超时间窗急性前循环大血管闭塞患者机械取栓预后的研究[J].临床放射学杂志, 2022, 41(3): 404-409. DOI: 10.13437/j.cnki.jcr.2022.03.005.
[17]
姜荣涛,戚世乐,吴静,等.基于多模态脑影像和机器学习算法的个体行为预测研究现状及未来趋势[J].中华诊断学电子杂志, 2021, 9(3): 145-148. DOI: 10.3877/cma.j.issn.2095-655X.2021.03.001.
[1] 夏传龙, 迟健, 丛强, 连杰, 崔峻, 陈彦玲. 富血小板血浆联合关节镜治疗半月板损伤的临床疗效[J]. 中华关节外科杂志(电子版), 2023, 17(06): 877-881.
[2] 范帅华, 郭伟, 郭军. 基于机器学习的决策树算法在血流感染预后预测中应用现状及展望[J]. 中华实验和临床感染病杂志(电子版), 2023, 17(05): 289-293.
[3] 陆闻青, 陈昕怡, 任雪飞. 遗传代谢病儿童肝移植受者术后生活质量调查研究[J]. 中华移植杂志(电子版), 2023, 17(05): 287-292.
[4] 李梅, 孔珊珊. Robocare护理模式联合高频胸壁振荡在腹腔镜腹壁切口疝修补术的应用[J]. 中华疝和腹壁外科杂志(电子版), 2023, 17(05): 619-624.
[5] 王静, 庞冬, 高赫, 刘金. 护理能力与应对方式在造口患者造口影响与生活质量间的中介效应[J]. 中华疝和腹壁外科杂志(电子版), 2023, 17(04): 468-472.
[6] 葛云鹏, 崔红元, 宋京海. 人工智能在原发性肝癌诊断、治疗及预后中的应用[J]. 中华肝脏外科手术学电子杂志, 2023, 12(04): 367-371.
[7] 邹勇, 顾应江, 丁昊, 杨呈浩, 陈岷辉, 蔡昱. 基于Nrf2/HO-1及NF-κB信号通路探讨葛根素对大鼠脑出血后早期炎症反应及氧化应激反应的影响[J]. 中华脑科疾病与康复杂志(电子版), 2023, 13(05): 271-277.
[8] 运陌, 李茂芳, 王浩, 刘东远. 微创穿刺引流联合吡拉西坦、乌拉地尔治疗基底节区高血压性脑出血的临床研究[J]. 中华脑科疾病与康复杂志(电子版), 2023, 13(05): 278-285.
[9] 刘政委, 仪立志, 尹夕龙, 孔文龙, 纠智松, 张文源. 锥颅血肿外引流与神经内镜手术治疗老年基底节区高血压性脑出血的疗效分析[J]. 中华脑科疾病与康复杂志(电子版), 2023, 13(05): 299-303.
[10] 韦维, 李忠华, 黄礼德. 机器人辅助第四脑室血肿穿刺抽吸外引流术[J]. 中华脑科疾病与康复杂志(电子版), 2023, 13(04): 255-256.
[11] 孙晗, 武侠. 成人肠易激综合征患者肠道菌群特征与不同分型患者生活质量和精神症状的相关性[J]. 中华消化病与影像杂志(电子版), 2023, 13(06): 461-465.
[12] 王小娜, 谭微, 李悦, 姜文艳. 预测性护理对结直肠癌根治术患者围手术期生活质量、情绪及并发症的影响[J]. 中华消化病与影像杂志(电子版), 2023, 13(06): 525-529.
[13] 郭震天, 张宗明, 赵月, 刘立民, 张翀, 刘卓, 齐晖, 田坤. 机器学习算法预测老年急性胆囊炎术后住院时间探索[J]. 中华临床医师杂志(电子版), 2023, 17(9): 955-961.
[14] 丁晶, 李培雯, 许迎春. 醒脑开窍针刺法在神经急重症中的应用[J]. 中华针灸电子杂志, 2023, 12(04): 161-164.
[15] 王俊杰, 尹晓亮, 刘二腾, 陆军, 祁鹏, 胡深, 杨希孟, 陈鲲鹏, 张东, 王大明. 机器学习对预测颈内动脉非急性闭塞患者血管内再通术成功的潜在价值[J]. 中华脑血管病杂志(电子版), 2023, 17(05): 464-470.
阅读次数
全文


摘要

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号