近期，美国伊利诺伊州芝加哥西北大学急诊医学系的Gabrielle Bunney等建立可预测早期癫痫的机器学习模型，并评价模型预测能力，以便确定最可能发生癫痫的患者并予以预防性用药，结果发表在2022年3月的《Neurocrit Care》在线。
——摘自文章章节
长按识别二维码查看原文
【Ref: Bunney G, et al. Neurocrit Care. 2022 Mar 14. doi: 10.1007/s12028-022-01470-x. [Epub ahead of print]】
脑出血（ICH）占所有脑卒中的10%，癫痫是ICH的严重并发症。脑出血1周内发生的早期癫痫是导致病情恶化、发展为晚期癫痫和脑疝的危险因素。相关指南推荐预防性使用抗癫痫药，但药物副作用致使患者预后不良。近期，美国伊利诺伊州芝加哥西北大学急诊医学系的Gabrielle Bunney等建立可预测早期癫痫的机器学习模型，并评价模型预测能力，以便确定最可能发生癫痫的患者并予以预防性用药，结果发表在2022年3月的《Neurocrit Care》在线。
该项研究收集2006年11月至2021年4月美国西北大学和约翰霍普金斯大学附属医院的864例ICH患者作为机器学习模型的训练集和测试集。ICH诊断依据为头颅CT和病史资料。早期癫痫的诊断依据是临床表现和脑电图。排除标准①外伤史，②缺血性休克后出血，③结构性病变，如肿瘤。早期癫痫预测模型分为两种：①CAV模型，包括皮质血肿位置、年龄≤65岁和血肿量≥10ml等因素；②CAV+模型，包括皮质血肿位置、年龄≤65岁、血肿量≥10ml；以及使用过抗凝药或抗血小板药、GCS评分、国际标准化比值（INR）和收缩压等因素。用于预测早期癫痫的算法，包括逻辑回归、套索回归、极值梯度提升、随机森林回归和支持向量机回归；参与者操作特征曲线下方面积（AUC）用于评价模型的预测能力。
研究结果表明，通过极值梯度提升算法和CAV+模型预测显示的血肿位置、GCS评分和INR是癫痫发作的最重要预测因素，而收缩压和抗血小板药的预测价值很小。CAV和CAV+模型在验证集呈现预测早期癫痫均有效（AUC=0.69-0.69）。根据极值梯度提升算法结果，与CAV模型相比（AUC=0.72，95%CI，0.62-0.82），CAV+模型预测早期癫痫效果更好（AUC=0.79，95%CI，0.71-0.87，P=0.04），其它算法结果也相似。
综上所述，机器学习可用于预测ICH后早期癫痫。已发表的预测晚期癫痫的CAV模型也能预测早期癫痫。在增加变量改进为CAV+模型后，预测结果更有效。但此研究有如下局限性：①机器学习要求可重复性，研究者采用5种算法重复10次运算；②样本量太小；③没有把开颅手术纳入预测因素和④没有将脑电图纳入预测因素。因此，作者建议下一步开展前瞻性临床试验评价CAV+模型的预测价值，以便能选出适合的病人进行癫痫监测和预防性抗癫痫治疗。
声明：脑医汇旗下神外资讯、神介资讯、脑医咨询、AiBrain所发表内容之知识产权为脑医汇及主办方、原作者等相关权利人所有。未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。
