黄金城hjc30vip5678 新闻与活动 新闻与活动

摘要

脑动脉瘤是脑血管的一部分隆起成块状的疾病，一旦破裂就会引起蛛网膜下腔出血。这种蛛网膜下腔出血的死亡率约为30-50%，据说大约一半的幸存者留下了严重的后遗症。另一方面，许多病例仍未破裂，确定哪些脑动脉瘤应该接受治疗一直是一项重大的临床挑战。

研究小组首先创建了一个大数据库，整合了 2003 年至 2022 年在日本、美国和荷兰这三个国家的四个机构随访和治疗的总共 11,579 个未破裂脑动脉瘤的数据。我们利用基于 2,750 人的 3,321 个动脉瘤数据的机器学习，开发了一种人工智能模型，可以预测个体未破裂脑动脉瘤未来破裂的风险。
此 AI 模型使用多维数据，其中包括脑动脉瘤的大小和形状等形态特征，以及患者年龄和病史等临床信息。通过整合这些，它可以预测两年内破裂的风险。

使用与开发阶段不同的医疗机构的数据组验证新开发的 AI 模型的预测性能，结果发现预测性能 (AUROC) 超过了国际风险评估指数 PHASES 评分 (AUROC 084)。 090），表明即使是 10 毫米或更小的小脑动脉瘤（其破裂风险的估计被认为是困难的），也可以用 088 的 AUROC 和 086 的灵敏度进行预测。

之前的许多类似研究都使用“破裂后的数据”来对破裂组和未破裂组进行分类，而实际上，分析仅限于“识别破裂的动脉瘤”。
这项研究开发了世界上第一个仅使用破裂前形态特征和临床信息来预测未来破裂风险的 AI 模型，具有开创性，因为它实现了不依赖于破裂后数据的“真实破裂预测”。通过支持不受医生主观性影响的客观治疗决策，这为预防蛛网膜下腔出血的预防性医疗护理开辟了新的可能性。

未来，我们将进行破裂风险评估和临床研究的对比验证，以验证其在实际临床环境中的有用性。此外，为了将来获得医疗器械项目（SaMD）的批准，我们正在考虑以多种形式提供社会实施，包括用于脑部检查等医疗检查网站以及面向一般用户的网络服务。

研究详情

1。背景
脑动脉瘤是一种脑血管的一部分凸出成块状的疾病。一旦破裂并发生蛛网膜下腔出血，大约30%的患者死于脑动脉瘤，大约一半的幸存者留下严重的后遗症。大约 32% 的普通人群患有未破裂的脑动脉瘤，其破裂被认为约占所有蛛网膜下腔出血的 85%。尽管许多案件尚未破裂，阶段得分¹是的UCAS 分数²等传统指标被认为是低风险的动脉瘤，确定治疗哪种动脉瘤仍然是临床实践中的一大挑战。
此外，大多数传统的人工智能研究都使用破裂后获取的图像数据来对破裂和非破裂的动脉瘤进行分类，而实际上，分析仅限于“识别破裂的动脉瘤”。这些研究存在的问题是，它们并不是真正预测未来动脉瘤的模型，因为它们了解破裂后的形态变化和出血情况。

2。方法
在这项研究中，我们构建了一个大数据库，整合了在日本、美国和荷兰三个国家的四个机构（东京慈惠大学医学院、西成会熊本医院、MGH：麻省总医院和 UMCU：乌得勒支大学医学中心）随访或治疗的总共 11,579 个未破裂脑动脉瘤的数据2003 年至 2022 年。
其中，从最大的机构队列中获得的 2,750 名患者和 3,312 个动脉瘤被用来开发 AI 模型（71 个动脉瘤在随访期间破裂 [21%]，中位随访期为 85 年 [四分位数 对于外部验证，来自 1,153 名患者的 1,501 个动脉瘤（48 个动脉瘤）随访期间破裂[32%]；中位随访期54年[四分位距37-87年]）用于外部验证。
每个动脉瘤的特征由总共 29 个变量组成，包括患者年龄和病史等临床信息，以及总共 47 个变量，包括脑动脉瘤大小等形态特征，对于破裂病例，仅使用破裂前收集的信息。
作为构建 AI 模型的算法LightGBM³并学会了在两年内预测破裂的发生。

3。结果
开发队列中的 AI 模型灵敏度⁴0.78、特异性⁵0.82、奥罗克⁶ 088 (95% CI 085–092)，并在外部验证队列中保持可比较的性能（敏感性 090，特异性 070，AUROC 090 [95% CI 085–094]）。外部验证队列中 PHASES 评分和 UCAS 评分的 AUROC 分别为 084 [95% 置信区间 078–090] 和 084 [95% 置信区间 079–090]，证实 AI 模型可以比 PHASES 评分和 UCAS 评分更准确地预测破裂风险。
即使对于小于 10 毫米的小动脉瘤（估计破裂风险尤其困难），AI 模型也显示出稳定的准确性（灵敏度 086、特异性 071、AUROC 088 [95% 置信区间 082–094]）。
该AI模型是世界上第一个仅利用破裂前形态学和临床信息来预测未来破裂风险的AI预测模型，可以说是革命性的，因为它实现了不依赖于破裂后数据的“真实破裂预测”。这种人工智能模型的使用表明了支持不受医生主观性影响的客观治疗决策的可能性。

4。未来的应用和发展
未来，我们计划通过人工智能和专家对破裂风险评估进行对比验证，以及与日本和海外多个机构合作进行前瞻性临床研究，以证明其在临床实践中的有用性。此外，医疗器械计划 (SaMD⁷)，除了用于脑部检查和其他医疗检查场所之外，我们还考虑将其作为一般用户可以访问的网络服务提供，并正在考虑以各种形式提供给社会实施。

5。脚注、术语解释

• 阶段分数：评估未破裂脑动脉瘤破裂风险的国际指数。它是根据六个因素计算得出的：人口、高血压、年龄、体型、早期 SAH 和地点。
• UCAS 分数：根据日本大规模前瞻性研究“UCAS Japan（未破裂脑动脉瘤研究）”制定的未破裂脑动脉瘤破裂风险评估指数。计算时考虑了肿块的大小、位置、形状等。
• LightGBM（Light Gradient Boosting Machine）：一种可以有效处理大量特征的机器学习算法。它基于梯度提升方法，具有学习速度快、泛化性能高的特点。
• 灵敏度（灵敏度）：模型正确预测为“破裂”的病例占实际破裂病例的百分比。数字越高，错过的次数就越少。
• 特异性（特异性）：模型正确确定为“未破裂”的病例在实际未破裂的病例中所占的百分比。数字越高，误报越少。
• 奥罗克（接收者操作特征曲线下的面积）：评估AI模型等分类性能的指标。越接近10，预测精度越高。
• SaMD（作为医疗设备的软件）：指作为医疗设备的软件。这适用于无需硬件而具有独立医疗功能的程序，例如AI诊断支持工具。

会员

• Yuichi Murayama，东京慈惠大学医学院神经外科教授
• 东京慈惠大学医学院综合医学科学研究中心先进医疗信息技术研究部助理教授/
  Soichiro Fujimura，hjc888黄金城中国官方网站工学院机械工程系助理教授

论文信息

标题

颅内动脉瘤破裂风险预测模型的开发和验证

作者姓名

藤村宗一郎，博士，柳泽武，医学博士，博士，工藤元气，硕士，小芝俊树，硕士，铃木正明，博士，高尾宏之，医学博士，哲学博士，石桥俊宏，医学博士，大和田隼人，博士、Shigeo Yamashiro，医学博士、博士、Maarten J Kamphuis，医学博士、Laura T van der Kamp，医学博士、Robert W Regenhardt，医学博士、哲学博士、Mervyn D I Vergouwen，医学博士、哲学博士、Gabriel J E Rinkel，医学博士、哲学博士、Aman B帕特尔，医学博士，哲学博士，村山雄一，医学博士

已出版的杂志

JAMA 网络开放

DOI

101001/jamanetworkopen202550772

研究支持

这项研究是作为科学研究补助金 (20J30001) 和 NEDO（新能源和产业技术综合开发组织）委托项目“通过应用人工智能技术实现智能社会”(JPNP18010) 的一部分进行的。