论文标题：Predictive Performance of Machine Learning with Evoked Potentials for SCI and MS Prognosis: A Meta-Analysis

论文链接：https://www.mdpi.com/2514-183X/9/2/26

期刊名称：Clinical and Translational Neuroscience

期刊主页：https://www.mdpi.com/journal/ctn

诱发电位（Evoked Potentials, EPs）——包括体感诱发电位（SSEPs）和运动诱发电位（MEPs）——是评估中枢神经系统传导功能的重要电生理工具，广泛应用于脊髓损伤（SCI）和多发性硬化症（MS）等脱髓鞘性疾病的临床评估与预后判断。然而，传统诱发电位解读多依赖主观经验，其预后价值尚未被充分挖掘。近年来，随着数据驱动算法的发展，机器学习（ML）技术被引入诱发电位分析，有望提升其在疾病预后评估中的精准度。近日，一项来自希腊帕特雷大学健康康复科学学院物理治疗系的团队在CTN期刊发表了一篇文章，系统荟萃分析整合了现有相关研究，采用随机效应模型对基于诱发电位的机器学习模型在预测SCI神经功能恢复（ASIA量表）和MS病情进展（EDSS量表）方面的性能进行了定量评估。结果显示，此类模型具有较高的预测准确率和曲线下面积，且敏感性分析结果稳健，而多模态融合策略可进一步提升预测效能。尽管受限于纳入研究数量有限，该荟萃分析仍初步揭示了诱发电位联合机器学习在精准神经病学预后评估中的应用潜力，并呼吁未来开展更大规模、多中心的人体验证研究。

一、研究背景: 传统评估的瓶颈与AI的破局

诱发电位（EPs）——包括体感诱发电位（SSEPs）和运动诱发电位（MEPs）——长期以来是评估中枢神经系统传导功能的重要电生理工具。在脊髓损伤（SCI）和多发性硬化症（MS）等脱髓鞘性疾病的临床诊疗中，它们被广泛用于病情评估与预后判断。

然而，传统的诱发电位解读高度依赖医生的主观经验，其深层的预后价值尚未被充分挖掘。近年来，随着数据驱动算法的飞速发展，机器学习（ML）技术被引入诱发电位分析领域。这一跨界融合，有望打破传统评估的局限，显著提升疾病预后评估的精准度。

二、核心发现：稳健的预测性能

近日，一项发表于Clinical Translational Neuroscience期刊的系统荟萃分析，采用随机效应模型对现有相关研究进行了定量评估。该分析聚焦于基于诱发电位的机器学习模型在预测SCI神经功能恢复（ASIA量表）和MS病情进展（EDSS量表）方面的实际表现。

研究共纳入5项高质量研究，总样本量达到583例。数据结果令人振奋：

•汇总预测准确率：高达77.7%（95% CI：75.1%–80.3%）。

•曲线下面积（AUC）：达到0.82（95% CI：0.79–0.85），显示出良好的区分度。

•异质性检验：I²值在55%–57%之间，提示存在中度异质性。

为了验证结果的可靠性，研究团队进行了敏感性分析。在排除大鼠模型后（剩余样本量N=551），模型的准确率依然保持在76.9%，AUC为0.81，证实了该预测框架的稳健性。

三、关键预测指标与多模态策略

机器学习模型究竟是如何“读懂”诱发电位信号的？进一步分析揭示了几个关键的预测特征：

•核心电生理指标：SSEP潜伏期、MEP时间序列以及波幅是模型进行SCI预测时最为关键的输入特征。

•多模态融合优势：单一的电生理数据可能存在局限，而当诱发电位与MRI等影像学数据进行多模态融合时，模型的预测性能可得到进一步提升。

四、局限与未来展望

尽管该荟萃分析初步揭示了诱发电位联合机器学习在精准神经病学预后评估中的巨大潜力，但研究团队也客观指出了当前的局限性。

目前纳入的研究数量有限（仅5项），这在一定程度上限制了更细致的分层分析。未来，亟需开展更大规模、多中心的人体临床验证研究，以进一步夯实这一数据驱动模型的临床应用基础。

Clinical and Translational Neuroscience 期刊介绍

主编：Prof. Dr. Claudio Bassetti, Inselspital University Hospital of Bern, Bern, Switzerland

期刊涵盖神经科学领域的研究，包括临床神经科学：如神经病学、神经外科、神经康复、神经影像学、头痛等，转化神经科学：旨在将基础神经科学研究的发现转化为临床应用。CTN期刊旨在为全球科学家提供一个学术出版和交流平台，以促进神经科学领域的发展。目前，期刊已被ESCI (Web of Science)、Scopus、DOAJ、EBSCO等重要数据库收录。