英国南安普顿大学威塞克斯神经中心神经外科的Ben Gaastra等进行回顾性研究，评估C反应蛋白对aSAH患者预后的预测作用，同时在机器学习模型中加入CRP，改进aSAH预后预测模型效应。结果发表在2021年7月的《Stroke》在线。
——摘自文章章节
【Ref: Gaastra B, et al. Stroke. 2021 Oct;52(10):3276-3285. doi: 10.1161/STROKEAHA.120.030950. Epub 2021 Jul 9.】
动脉瘤性蛛网膜下腔出血（aSAH）患者的预后预测具有挑战性。目前常用的预测工具包括SAHIT模型，但有的研究发现高达78%的预后结果不能用SAHIT模型中的预测因子来解释。据报道，C反应蛋白（CRP）与aSAH患者预后相关，但尚不清楚是否独立于其它预测因素并适用于所有级别的aSAH。英国南安普顿大学威塞克斯神经中心神经外科的Ben Gaastra等进行回顾性研究，评估C反应蛋白对aSAH患者预后的预测作用，同时在机器学习模型中加入CRP，改进aSAH预后预测模型效应。结果发表在2021年7月的《Stroke》在线。
研究者回顾性分析2009年8月至2017年9月间的1017例aSAH患者的临床资料，其中552例aSAH患者和465例STASH模型的患者。主要通过逻辑回归、随机森林和支持向量机等一系列统计学习方法，评估CRP与改良Rankin量表之间的关系。将CRP相关的aSAH患者预后模型与SAHIT模型对aSAH预后预测作用作比较，并使用交叉验证进行内部验证。
1017例患者的单因素logistics回归分析显示，aSAH发病后前3天的CRP值与aSAH预后均显著相关（P＜0.002），其中发病第1天的CRP值是患者预后的独立预测因子。SAHIT模型的接受者操作特征曲线（AUC）下面积为0.831。若将CRP 加入SAHIT模型，显著提高对患者的预测效能（AUC=0.846，P=0.01）。SAHIT模型预测因子进行随机森林训练，并进行优化学习时，AUC并没有显著改善。通过Gini指数评估证实，患者的治疗状态、WFNS、CRP是预测模型性能最重要的三个变量。使用机器学习的基本模型--支持向量机（SVM）进行训练时，预测效能的AUC显著改善（AUC为0.960，P＜0.001）。WFNS评分、CRP和年龄是机器学习SVM训练中的三个最重要预测变量。最后所有的预测模型都采用10倍交叉验证进行内部验证和校准。
综上所述，该研究分析结果表明，CRP是aSAH患者预后的独立预测因子；将其引入STASH模型预测预后时可以提高模型预测性能；改进幅度可能不足以与个体患者临床情况密切相关，但在研究中表现出相关性。使用机器学习-支持向量机可以改善模型预测效应；可是这些模型在内部验证中的分类错误率较高，需要外部验证和校准。
声明：脑医汇旗下神外资讯、神介资讯、脑医咨询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。
