Preoperative Neuroimaging Markers, Clinical Severity Measures, and Shunt Characteristics for Predicting Shunt Revision in Idiopathic Intracranial Hypertension: An Explainable Machine-Learning Study [ORIGINAL RESEARCH]

在評估特發性顱內壓增高症（IIH）的引流管置放術前，臨床與影像科常忽略了神經影像標記的預測潛力。這篇研究證實，只要在術前評估加上磁振造影的視神經鞘直徑測量，就能讓預測引流管需要重置的機器學習模型準確率大幅提升，在獨立測試集的 AUC 達到 82.7%。配備非可調壓閥門的腰椎腹腔引流管，若加上術前有明顯視乳頭水腫與視野缺損的病患，其提早面臨二次手術的風險將遠超預期。

特發性顱內壓增高與引流管高重置率的臨床困境

特發性顱內壓增高症（IIH）是一種好發於育齡期肥胖女性的神經系統疾病。當傳統的內科藥物（如 Acetazolamide）無法有效控制腦壓或視力持續惡化時，外科引流管置放術（Shunt placement）便成為挽救視力的關鍵介入手段。然而，不管是放置腦室腹腔引流管（VPS）還是腰椎腹腔引流管（LPS），這類手術在 IIH 病患族群中一直面臨著極高的失敗與重置比率。引流管阻塞、過度引流導致的低腦壓頭痛、或是引流不足造成的視力再次衰退，經常迫使病患在短時間內重新躺回手術台。

從過去的文獻來看，預測 IIH 引流管是否需要重置的傳統統計模型，大多只聚焦在病患的臨床症狀、體重變化或是手術本身的機械參數。這產生了一個明顯的盲區：缺乏疾病專屬的神經影像學生物標記。放射科醫師在日常判讀 IIH 病患的腦部磁振造影（MRI）時，常常會描述空蝶鞍（empty sella）、後方鞏膜變平（flattening of the posterior sclera）、或是視神經周圍蜘蛛膜下腔擴張等現象，但這些影像特徵卻鮮少被量化並整合進神經外科的術前決策模型中。

為了解決這個跨科別的資訊斷層，芝加哥大學醫學中心的研究團隊試圖將放射科醫師眼中的影像特徵，轉化為神經外科醫師手術刀下的風險預測指標。他們提出了一個核心假設：IIH 造成的腦壓變化會直接且客觀地反映在視神經鞘等結構上，如果能將這些影像數據與病患的臨床嚴重度、引流管硬體特性結合，機器的預測能力將會有突破性的成長。這項研究不僅嘗試建立高準度的預測工具，更要求模型具備高度的「可解釋性」，讓醫師能清楚明白每一個風險分數背後的具體原因。

128例回溯世代與特徵工程：隨機森林結合XGBoost

為了驗證這個多模態資料結合的假設，團隊調閱了單一醫學中心從 2001 年到 2022 年間，長達二十年的 IIH 外科治療回溯性世代資料。在嚴格的篩選條件下，最終納入了 128 位接受引流管置放術的病患。這個世代呈現了一個不容忽視的現象：在這 128 人中，高達 78 位病患最終需要進行引流管重置手術，僅有 50 位病患的引流管能長期順利運作。高達六成的重置率，再次凸顯了建立術前預測模型的急迫性與必要性。

在特徵工程階段，研究人員精心萃取了 23 個變數。這些變數橫跨了三大維度：第一是經過驗證的神經放射學生物標記，其中最核心的便是由 MRI 測量而得的視神經鞘直徑（ONSD, Optic Nerve Sheath Diameter）；第二是臨床特徵，包含 BMI、年齡、以及眼科層級的視乳頭水腫與視野缺損嚴重度；第三則是引流管的專屬硬體特徵，涵蓋了閥門是否可調壓、引流管的置放位置（如腰椎或腦室）、以及初始閥門壓力的設定值。

在機器學習的架構設計上，團隊並未直接依賴單一演算法，而是開發並訓練了十種不同的機器學習分類器。為了確保模型不會因為過度擬合而失去真實世界的泛化能力，他們將整體數據的 75% 劃分為訓練與調試集，並採用分層五折交叉驗證（stratified 5-fold cross-validation）來尋找最佳超參數。剩下的 25% 數據則被嚴格隔離，作為最終驗證模型實力的獨立測試集。經過多方比對，表現最優異的是結合了隨機森林（Random Forest）與 XGBoost（Extreme Gradient Boosting，一種擅長處理表格型數據的極限梯度提升樹）的堆疊集成模型（Stacked ensemble，結合多種機器學習模型以提升預測準度的技術）。

獨立測試集 AUC 82.7% 的預測指標表現

把焦點拉到最關鍵的模型表現數據。在機器學習領域，模型在訓練集上的準確率往往會因為看過資料而過度樂觀，因此，那群完全未參與訓練的 25% 獨立測試集病患，才是檢驗模型是否具備臨床實用價值的試金石。這個由隨機森林與 XGBoost 組合而成的堆疊集成模型，在獨立測試集上繳出了相當亮眼的成績單。整體預測準確率來到了 78.2%，其 95% 信賴區間介於 63.1% 到 90.2% 之間。

若進一步檢視衡量分類器綜合能力的接收者操作特徵曲線下面積（AUC），該模型達到了 82.7%，95% 信賴區間為 71.5% 到 92.0%。在僅有 128 人的中小型醫學影像與臨床混合數據庫中，能突破八成的 AUC 實屬不易。這代表當系統面對兩位全新的 IIH 術前病患（一位未來會失敗、一位會成功）時，有 82.7% 的機率能正確給予高風險者較高的預警分數。相較於過去僅依賴單一臨床指標或外科經驗的傳統預測方式，這個多模態模型的穩定度提供了客觀的第二意見。

這個數字背後的臨床意義在於，系統並不是盲目地猜測，而是精準捕捉了高腦壓在不同生理系統留下的微小跡象。神經外科醫師在排定手術日程表時，若能預先得知某位病患的重置風險高達八成以上，便能在術前諮詢時給予家屬更切合實際的預後期待。同時，在手術策略上，也能更有底氣地向保險單位或病患建議採用價格較高但風險較低的可調壓式閥門系統，甚至重新考量引流管放置的解剖路徑。

SHAP點名視神經鞘直徑與非可調閥門的高風險

除了優異的準確率，這項研究最大的貢獻在於打破了演算法的黑盒子。團隊導入了 SHAP（SHapley Additive exPlanations，用博弈論精算每個變數對預測結果貢獻度的演算法）分析，將複雜的模型決策過程透明化。SHAP 的結果明確指出，在所有 23 個變數中，有幾個因子是推升引流管重置風險的絕對主力。首先是 MRI 測得的視神經鞘直徑（ONSD），這項由放射科醫師負責把關的影像標記，成為了極具分量的預測指標。當腦壓長期處於高位，壓力會沿著視神經周圍的蜘蛛膜下腔向外圍傳導，導致鞘膜擴張；ONSD 越寬，代表顱內壓失衡的歷史越悠久、系統代償能力越差，術後越容易發生引流管不適應的狀況。

與 ONSD 緊密連動的眼科與神經眼科測量指標同樣佔據了高風險權重。術前就存在嚴重的視乳頭水腫（papilledema）以及實質性的視野缺損（visual field deficits），都是引流管提早報銷的強烈預測因子。這些臨床嚴重度的指標與 MRI 影像特徵在 SHAP 分析中形成了互相呼應的鐵三角，證實了嚴重高腦壓對神經與視覺系統造成的結構性破壞，會直接干擾引流系統的長期存活。

若細看硬體設備與手術決策特徵，SHAP 分析也給出了明確的指引。採用非可調壓閥門（nonprogrammable valves）、實施腰椎腹腔引流（LPS）而非腦室腹腔引流、以及設定較高的初始閥門壓力，都會大幅增加重置的機率。非可調壓閥門因為無法根據病患術後的體位變化與腦壓波動進行微調，極易陷入過度引流與引流不足的極端循環中。而腰椎腹腔引流雖然避開了穿刺腦部實質的風險，但其管路較長且容易受到姿勢變換影響，在多變數交互作用下，反而成了高風險的選項。

Kaplan-Meier存活曲線與放射科實務應用的邊界

為了從時間維度檢視風險，團隊運用 Kaplan-Meier 存活分析來評估引流管的耐用期。存活曲線的走向再次印證了 SHAP 的發現：配備可調壓閥門的引流系統，其整體存活時間顯著長於非可調式系統。更重要的是，病患本身的體質與病程階段決定了引流管的壽命。那些在術前尚未出現視野缺損、沒有明顯視乳頭水腫、且不具備肥胖體質的病患，其引流管的無事件存活期最長。這強烈暗示了「早期介入」的重要性：在 IIH 尚未對視神經造成不可逆的物理性擴張與損傷前進行手術，成功率最高。

然而，這份研究仍有作者坦承的實務限制。首先，這是單一醫學中心的回溯性研究，雖然涵蓋了 21 年的時間跨度，但 128 人的樣本數對於機器學習模型而言仍偏向中小型規模。時代的演進也意味著 2001 年的引流管材質與 2022 年的最新可調壓設備存在工藝上的差異，這可能對長期存活率產生潛在的干擾。此外，模型目前僅在內部保留的 25% 數據上進行測試，未來若要真正融入常規的電子病歷系統中，仍需要前瞻性的大型外部多中心數據來進行驗證。

對於忙碌的放射科醫師而言，這篇論文提供了非常具體的實務啟示。我們在判讀 IIH 病患的術前腦部 MRI 時，不應只停留在主觀描述「視神經周圍水份偏多」或「垂體稍微扁平」。這項研究確立了 MRI 衍生的視神經鞘直徑（ONSD）在預測外科預後上的關鍵地位。如果在影像報告中主動且精確地量測並記錄 ONSD 的具體數值，這些客觀數據將直接成為神經外科醫師選擇引流管種類、決定閥門是否可調壓、甚至安排術後回診頻率的量化依據。放射科醫師的每一次測量，都在無形中提升了病患免於二次手術的機率。

在打 IIH 術前 MRI 報告時，與其只寫 empty sella，不如量測並標註具體的視神經鞘直徑，這數字會直接影響神外醫師選擇哪種引流管閥門。