9种机器学习模型预测幕上深部自发性脑出血早期血肿扩张及预后不良的比较

目的 比较9种机器学习模型对幕上深部自发性脑出血（SICH）患者发生早期血肿扩张及预后不良情况的预测性能。方法 回顾性研究。纳入2015年1月—2019年5月4家医院幕上深部SICH患者420例。其中男275例、女145例,年龄25~90（61.0±12.9）岁。420例患者按照7∶3的比例,采用完全随机法分为训练集294例和验证集126例。患者在72 h内复查CT,若血肿体积比初始体积增长>6 mL或>33%,判定存在早期血肿扩张。采用改良的Rankin评分量表（mRS）评估预后,以mRS>3分判定为预后不良。比较训练集和验证集的基线资料。采用随机森林、极限梯度提升算法（XGboost）、梯度爬升决策树、自适应提升算法、朴素贝叶斯、logistic回归、支持向量机、K近邻、多层感知机9种机器学习算法对早期血肿扩张及预后不良分别构建预测模型;在训练集中,依据各模型的灵敏度和特异度绘制受试者操作特征曲线,采用3折交叉验证取曲线下面积（AUC）,比较各模型对早期血肿扩张及预后不良情况的预测性能,并在验证集测试模型的可靠性。结果 训练集和验证集患者基线资料比较差异均无统计学意义（P值均>0.05）。420例患者中,早期脑血肿扩张的患者有117例（27.86%）;399例患者获随访,其中预后不良的患者有210例（52.63%）。预测早期血肿扩张：训练集中,9种机器学习模型的AUC为0.590~0.685,其中以XGboost模型最高,AUC为0.685±0.024;在验证集中,XGboost模型AUC为0.686[95%可信区间（CI）0.578~0.721]。预测预后不良：9种机器学习模型的AUC为0.703~0.852,其中logistic回归模型最高,AUC为0.852±0.041;而在验证集中,logistic回归模型AUC为0.894（95%CI 0.862~0.912）。结论 9种机器学习算法模型中,XGboost对幕上深部SICH早期血肿扩张的预测性能最佳,而logistic回归模型对预后不良的预测性能最高;对于不同临床结局的预测,应选用合适的机器学习模型。     

神经梅毒52例临床分析

目的探讨神经梅毒的临床特征及其早期诊断依据。方法回顾性分析1997年1月-2007年5月收治的52例神经梅毒患者的临床资料。结果52例神经梅毒患者中24例早期临床表现为脑卒中样症状．占46．15％；梅毒螺旋体血凝试验及快速血浆反应素试验均呈阳性反应；脑脊液检查蛋白质水平升高者占75．00％（36／48），压力升高者占35．42％（17／48），白细胞计数升高（以淋巴细胞为主）者占52．08％（25／48）。头部CT、MRI改变以多发、大小不一的梗死灶为主。结论神经梅毒的诊断应结合临床表现、实验室及影像学检查综合分析，争取早期诊断、早期治疗以改善预后。