小脑出血短期死亡风险预测：四种机器学习模型评估及 SII 指标的显著影响

摘要

目的 构建机器学习模型预测小脑出血患者短期死亡风险。方法 基于203例自发性小脑出血患者数据，运用logistic回归、随机森林、极端梯度提升(XGBoost)和表格先验数据拟合网络(TabPFN) 4种模型，经LASSO回归筛选特征后开发并验证模型。利用ROC曲线、准确率等相关指标对机器学习模型的性能进行综合评价，利用SHAP图阐明模型内变量的重要性，选择最优模型。结果 自发性小脑出血患者短期死亡率为27.7%(56/203)。TabPFN模型预测效能最佳(训练集AUC:0.959, 95%CI:0.926～0.983;测试集AUC:0.815, 95%CI:0.670～0.930)。SHAP分析显示，模型内关键变量依次为：入院格拉斯哥昏迷评分(GCS)评分、系统性免疫炎症指数(SII)、血肿最大横截面与颅后窝面积比、是否伴脑干受压与出血破入脑室。结论 低GCS评分、高SII、高血肿最大横截面与颅后窝面积比、出血破入脑室是小脑出血患者短期死亡的独立危险因素。TabPFN机器学习模型可用于预测自发性小脑出血短期死亡，其中入院GCS评分及SII预测价值较大。

关键词

小脑出血 / 机器学习 / SHAP解释 / 短期死亡 / 系统性免疫炎症指数 / LASSO回归 / TabPFN

基金资助

国家自然科学基金(81802529); 江苏省高等学校创新创业训练计划(202110313047Y)