基于机器学习的慢性硬膜下血肿住院患者再入院特征分析

亮点

慢性或亚急性硬膜下血肿（chronic/subacute subdural hematoma，cSDH/sSDH）住院后 90 天内再入院率接近三分之一，且多数为非手术原因所致。感染相关再入院的死亡率和新发残疾率显著高于手术复发。基于机器学习的患者表型分析识别出 5 个具有不同再入院风险的特征簇，提示该人群存在显著的临床异质性。这些发现支持将临床试验终点从单纯的手术复发扩展至更广泛的结局，并采用个体化的出院后照护模式。

研究背景

慢性硬膜下血肿和亚急性硬膜下血肿（cSDH/sSDH）是常见的神经外科疾病，主要累及老年人。尽管手术复发是公认并发症，但临床关注和试验设计历来主要聚焦于这一单一事件。然而，首次住院后再入院十分常见，且涵盖除手术复发之外的多种临床原因。这些非手术性再入院可能在发病、死亡及医疗费用方面造成重要负担，但相关研究仍较少。随着老龄人口增长及 cSDH 发病率上升，明确再入院的总体负担及模式对于优化诊疗和高效配置资源至关重要。机器学习等新方法有助于识别患者表型，从而支持风险分层和个体化干预。

研究设计

本回顾性队列研究使用 2016—2022 年全国再入院数据库（Nationwide Readmissions Database）分析因 cSDH/sSDH 非择期住院的成年患者。主要终点为索引住院后 90 天内的全因再入院，并按原因分为：硬膜下血肿（subdural hematoma，SDH）手术复发，以及与 SDH 无关的原因，如感染和其他内科并发症。再入院期间评估的结局包括住院时间、住院费用、院内死亡、新发残疾、功能下降以及能否回家。机器学习表型分析采用多分类梯度提升模型，并结合 Shapley Additive Explanations（SHAP）值识别关键影响因素，随后使用 K-means 聚类划分具有不同临床和再入院特征的患者亚组。

主要结果

研究队列共纳入 22,387 例患者，平均年龄 70.8 岁，女性占 29.6%。总体上，6,497 例患者（29.0%）在 90 天内再入院。SDH 手术复发占再入院的 22.5%，而多数再入院（56%）由非 SDH 原因导致，显示再入院原因具有多样性。值得注意的是，感染是重要的非 SDH 原因之一，感染相关再入院的死亡率最高，达 9.6%，超过手术复发组（2.9%）的 3 倍以上。在初次出院时具备常规自我照护能力的患者中，感染相关再入院的新发残疾率也最高（45.5%）。

机器学习聚类识别出 5 个具有不同患者特征和再入院风险的表型簇：

• 低病情严重度组（39.8%）：年龄较轻、合并症较少、再入院风险较低。

• 房颤组（16.9%）：房颤患病率较高，可能与心血管及血栓栓塞并发症有关。

• 老年/虚弱组（16.6%）：高龄且伴有虚弱相关合并症，再入院率和发病负担较高。

• 年轻/健康组（14.5%）：患者更年轻、健康问题较少，但再入院模式具有独特性。

• 高病情严重度组（12.1%）：基础疾病更重，再入院率最高，且不良结局最多。

各簇在不同再入院原因上的风险以及再入院期间的临床结局均存在差异。这种异质性提示，风险分层和管理策略应基于患者个体特征进行定制，而不应仅围绕手术复发采用统一管理方式。

专家点评

该研究有力挑战了神经外科领域传统上仅强调 cSDH 术后手术复发的诊疗范式。研究者借助机器学习解析大规模且高度异质的数据集，提供了令人信服的证据：非手术性再入院，尤其是感染，对死亡和发病负担具有重要贡献。这些发现与更广泛的卫生服务研究结论一致，即伴有神经系统疾病的老年人对系统性并发症更为脆弱。所定义的表型簇有助于推进精准医学策略，例如针对高病情严重度组和老年/虚弱组实施感染防控措施，或为房颤组开展更全面的心血管管理。

本研究的局限性包括回顾性设计以及对行政编码的依赖，可能引入误分类偏倚。数据库缺乏血肿大小、功能状态指标等更细致的临床信息，这些信息可能进一步优化表型划分。未来应通过前瞻性研究验证这些簇，并评估针对各亚组制定的干预措施。

结论

cSDH/sSDH 住院后的再入院较为常见，且临床表现多样，其中非手术原因占主导，并且其结局往往劣于手术复发。基于机器学习的表型分析显示，该患者群体内部存在明显异质性，具有不同的再入院风险谱。这些见解支持将临床试验终点从单纯的手术复发扩展至更广泛的发病结局，并建立多维度的出院后照护路径。最终，针对不同再入院风险谱实施个体化管理，可能改善功能结局并减轻这一不断增长患者群体的医疗负担。

资金来源与 ClinicalTrials.gov

该研究作者为 Chen H 等，文中未明确提及资金披露。由于该研究为使用匿名国家行政数据库的回顾性设计，因此未进行临床试验注册。

参考文献：

Chen H, Colasurdo M, McIntyre MK, Lakhani DA, Malhotra A, Gandhi D. Machine Learning Characterization of Readmissions After Chronic Subdural Hematoma Hospitalizations. Neurology. 2026 Sep 8;107(5):e218438. doi: 10.1212/WNL.0000000000218438. Epub 2026 Aug 7. PMID: 42566725.