Med-MIMIC，持续分享MIMIC临床生信文献与思路解读，捕捉当下热点思路，感兴趣的老师可以点点关注~需要定制化分析的老师欢迎扫码联系~
文章标题：Neurological intervention transition model for dynamic prediction of good outcome in spontaneous subarachnoid haemorrhage
中文标题：自发性蛛网膜下腔出血良好预后的神经干预过渡模型
发表期刊：Sci Rep .
发表时间：2024年1月
影响因子：3.8/Q2
自发性蛛网膜下腔出血 （SAH） 患者的神经血管状况可能迅速恶化，并且通常会导致不良的临床结局。因此，及时评估并持续跟踪疾病的进展至关重要。
思路
本研究纳入了基线临床状况、反复测量的神经系统分级和血液学生物标志物，用于自发性 SAH 患者的动态结果预测。神经干预，主要是动脉瘤夹闭和血管内栓塞，也被纳入开发神经干预过渡 （NIT） 联合模型的中间事件。对 701 名自发性 SAH 患者进行了一项回顾性队列研究，研究期为 14 天，来自 MIMIC-IV 数据集。基于 Cox 模型和分段线性混合效应模型的组合，开发了预测患者结局的动态预后模型，以纳入不同类型的预后信息。临床基线协变量，包括脑水肿、脑梗死、呼吸衰竭、脑积水和血管痉挛，以及重复测量的格拉斯哥昏迷量表 （GCS） 、葡萄糖和白细胞 （WBC） 水平是促成最佳模型的协变量。
指标
包括六个指标作为动态协变量进行预后建模，包括一个神经学分级，即 GCS 评分，三个血液学生物标志物，即肌酐、WBC、葡萄糖和两个生命体征，即收缩压 （SBP） 和氧饱和度 （SpO2）。
结果分析
1. LOESS
图 1 使用局部估计散点图平滑 （LOESS） 方法可视化了研究期间这些动态协变量的轨迹和相应的 95% 置信区间。LOESS 方法分别应用于每组，估计最能代表每组每个动态协变量趋势的平滑曲线。
2. 同时分析纵向和生存数据
表 4 显示了包含的动态协变量的 HR 以及基线和拟议的 NIT 联合建模方法。
3. 预测性能
我们使用平均 AUC，通过平均总体Ts预测性能 和 dt来衡量整体预测性能。还计算了每个模型的预测起点和预测区间的变异性，其中低变异性表明该模型随着时间的推移是稳健的，并且可以始终如一地提供对临床结果的可靠预测。
4. 准确性的比较
可以发现，在所有动态协变量的组合下，所提出的 NIT 联合模型的预测性能优于通过基线联合建模方法开发的相应模型。该图还表明，以 GCS 评分、葡萄糖和 WBC 为动态协变量的拟议 NIT 联合模型的预测性能良好，并且与不同的预测时间一致，其中所有预测起点的 AUC 至少在 0.75 左右。
文章小结
本研究提出了一种用于自发性 SAH 预后的多变量 NIT 联合模型。与高度依赖于患者神经系统状态的 Hunt 和 Hess 分级等广泛使用的临床工具相比，预后模型探讨了医疗状况、血液学生物标志物和神经干预事件的预后价值。因此，它适用于模拟 SAH 预后的多因素机制。今天为大家分享的文章纯公共数据挖掘+统计分析，就发到了一区！如果你也想在临床方向发高分文章，不妨试试这个省钱省事又省力的思路吧！
