蛛网膜下腔出血（SAH）指脑底部或脑表面的病变血管破裂，血液直接流入蛛网膜下腔引起的一种临床综合征，约占急性脑卒中的10%，是一种非常严重的常见疾病。WHO调查显示中国发病率约为2.0/10万人年。

SAH最常见的病因是颅内动脉瘤，典型临床表现为突然发生的剧烈头痛、恶心、呕吐和脑膜刺激征。剧烈活动中或活动后出现爆裂性局限性或全头部剧痛，难以忍受，呈持续性或持续进行性加重，有时上颈段也可出现疼痛。还可见因脑实质内，脑室出血等继发性SAH。

再出血是SAH的急性严重并发症，病死率约为50%左右。出血后24小时内再出血危险性最大，发病1个月内再出血的分先都较高。2周内再出血发生率为20%~30%，1个月为30%。其中，入院时昏迷、高龄、女性、收缩压超过170mmHg的患者再出血的风险较大。

目前，动脉瘤性蛛网膜下腔出血（aSAH）后的结果预测是一个挑战。据报道，CRP（C-反应蛋白）与预后有关，但不清楚上述关系是否独立于其他预测因素并适用于所有级别的aSAH。

为了评估CRP是否是aSAH后结果的独立预测因子，开发包含CRP的新预后模型，并测试这些模型是否可以通过应用机器学习来改进，近日，来自英国南开普敦总医院神经外科的专家开展了相关研究，结果发表在《卒中》Stroke杂志上。

研究人员对先前2项研究中SAH后72小时内患者的数据进行的个体患者层面的分析。包括逻辑回归、随机森林和支持向量机在内的一系列机器学习方法被用来评估CRP和改良Rankin量表（mRS）之间的关系。模型与完整的蛛网膜下腔出血国际试验者（SAHIT）预测蛛网膜下腔出血后结果的工具进行了比较，并使用交叉验证进行内部验证。

CRP用于SAHIT可提高预后的准确性

结果显示，共有1117名患者被纳入分析。总得来说，昏迷后第一天的CRP是一个独立的结果预测因子。完整的SAHIT模型的接受者特征曲线下面积（AUC）为0.831。逻辑回归预测结果显示，在完整的SAHIT模型的预测因素中加入CRP可以提高模型的性能（AUC=0.846, P=0.01）。

当使用随机森林(RF)进行学习时（AUC=0.807），上述改善没有得到加强。但进一步使用支持向量机（SVM）时（AUC=0.960，P＜0.001）可在现有基础上进一步加强预测准确性。

SVM工作原理示意图

由此可见，CRP是SAH预后的一个独立预测因素。将其纳入预后模型可以改善性能，尽管改善的程度可能不足以在临床上对个别病人产生影响，但在研究中更有意义。其中，支持向量机对模型性能的改善更大，但这些模型在内部验证中的分类错误率最高，需要外部验证和校准。

参考文献：

CRP (C-Reactive Protein) in Outcome Prediction After Subarachnoid Hemorrhage and the Role of Machine Learning.Stroke. ;0:STROKEAHA.120.030950 https://doi.org/10.1161/STROKEAHA.120.030950.