تم تقييم إطار عمل استكشافي للتعلم الآلي (ML) باستخدام بيانات الفترة المحيطة بالجراحة للتنبؤ باعتلال الدماغ الناجم عن الصبغة (CIE) بعد الإجراءات التداخلية العصبية. وأظهر نموذج Naive Bayes الأداء الوصفي الأكثر توازناً، كما تم تحديد نسبة الصبغة إلى معدل الترشيح الكبيبي (CGR) كمتنبئ مرشح مهم لتقييم المخاطر الفردية.
يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة بحثية
التنبؤ باعتلال الدماغ الناجم عن المادة الظليلة بعد الإجراءات التداخلية العصبية باستخدام تعلم الآلة
* These authors contributed equally
في هذه المقالة
ملخص
الملخص
تُعد الانصمام الدماغي الاصطناعي (CIE) مضاعفة نادرة ولكنها شديدة تتبع الإجراءات التداخلية العصبية، ولا تزال الأدوات التنبؤية غير الغازية والموثوقة لها غائبة. هدفت هذه الدراسة إلى تطوير والتحقق من صحة نموذج تعلم آلي (ML) للتنبؤ بـ CIE باستخدام البيانات السريرية والإجرائية في الفترة المحيطة بالجراحة، وتقييم القيمة التنبؤية لمعدل نمو القشرة الدماغية (CGR) بالنسبة لـ CIE. كانت هذه دراسة استرجاعية أحادية المركز شملت بالتتابع 161 مريضاً خضعوا لإجراءات تداخلية عصبية في قسم جراحة الأعصاب بمستشفى المسرح الشمالي العام بين يناير 2024 وديسمبر 2025. تم تحديد المتنبئات المحتملة لـ CIE في الفترة المحيطة بالجراحة باستخدام التحليل أحادي المتغير مقترناً بانحدار LASSO. وبناءً على المتغيرات المختارة، تم تدريب وتحسين خمسة نماذج تعلم آلي وهي: Naive Bayes، وآلة متجه الدعم (SVM)، والخوارزمية الجيران الأقرب (KNN)، وLightGBM، والبرسيبترون متعدد الطبقات (MLP). تم تقييم أداء النماذج بشكل شامل باستخدام المساحة تحت منحنى خصائص التشغيل للمستقبل (AUC)، وتحليل منحنى القرار (DCA). ومن بين النماذج التي تم تقييمها، أظهر نموذج Naive Bayes الأداء الوصفي الأكثر تفضيلاً في مجموعة الاختبار الداخلية، بمساحة AUC بلغت 0.952 (95% CI: 0.843–1.000)، وحساسية بنسبة 100%، ونوعية بنسبة 90.3%؛ ومع ذلك، يجب تفسير هذه المقاييس بحذر لأن مجموعة البيانات كانت غير متوازنة بشكل ملحوظ، وكانت مجموعة الاختبار الداخلية صغيرة واحتوت على عدد محدود جداً من حالات CIE. وأشارت نتائج DCA إلى فائدة سريرية صافية محتملة عبر احتمالات العتبة المختارة. كما أشار تحليل أهمية الميزات إلى أن CGR كان من بين أعلى المتنبئات المرشحة ترتيباً المرتبطة بمخاطر CIE في مجموعة البيانات هذه. قد يوفر نموذج Naive Bayes الذي تم تقييمه في هذه الدراسة إطاراً أولياً لتصنيف المخاطر للتقييم في الفترة المحيطة بالجراحة لـ CIE بعد الإجراءات التداخلية العصبية. وقد ظهر CGR كميزة تنبؤية مهمة وقد يساعد في تصنيف المخاطر الفردي. وثمة حاجة إلى مزيد من التحقق الخارجي قبل التطبيق السريري.
المقدمة
على مدى العقدين الماضيين، أحدثت التقنيات التداخلية ذات التدخل tối thiểu تحولاً جذرياً في النموذج العلاجي لأمراض الأوعية الدموية الدماغية1. وقد أصبحت الإجراءات التداخلية العصبية — بما تمنحه من مزايا المتمثلة في الفعالية العالية والحد الأدنى من التدخل الجراحي — خيارات علاجية هامة لاضطرابات وعائية دماغية مختارة2. ومع ذلك، فمع زيادة تعقيد الإجراءات التداخلية، تزداد أيضاً جرعات المواد المتباينة المستخدمة أثناء هذه الإجراءات، وضغوط الحقن، ومدة التعرض للمادة المتباينة. ونتيجة لذلك، أصبحت المضاعفات المرتبطة بالمواد المتباينة تخضع تدريجياً لتدقيق متزايد3,4,5,6,7. وقد تم التعرف بشكل متزايد على اعتلال الدماغ الناجم عن المواد المتباينة (CIE)، وهو خلل وظيفي عصبي حاد وعابر تسببه وسائط التباين اليودية (ICM)، كمضاعفة ذات صلة سريرياً، لا سيما في الإجراءات التداخلية العصبية المعقدة. تظهر المظاهر السريرية النموذجية لـ CIE عادةً خلال دقائق إلى 24 h بعد التعرض للمادة المتباينة، وتشمل تغيرات في الوعي (مثل النعاس أو الهذيان أو الغيبوبة)، والعمى القشري، والعجز العصبي البؤري (مثل الشلل الشقي أو الحبسة الكلامية)، والنوبات الصرعية4,5,6. وعلى الرغم من أن معظم حالات CIE تكون ذاتية الشفاء وتزول الأعراض عادةً خلال 48 إلى 72 h، إلا أن بعض المرضى قد يعانون من ضعف عصبي مستمر. وقد تؤدي الحالات الشديدة حتى إلى الوفاة بسبب الوذمة الدماغية الشاملة4,7. إن عدم القدرة على التنبؤ بهذه النتائج يؤكد الحاجة الماسة لتطوير أداة موثوقة للتنبؤ المبكر بالمخاطر خلال الفترة المحيطة بالعملية الجراحية.
مع استمرار زيادة حجم البيانات السريرية، أصبحت الطرق الإحصائية التقليدية غير كافية بشكل متزايد عند التعامل مع البيانات الطبية عالية الأبعاد التي تظهر تعددية الخطية. علاوة على ذلك، غالبًا ما تفشل التحليلات أحادية المتغير أو نماذج الانحدار اللوجستي البسيطة في رصد التفاعلات المعقدة وغير الخطية بين المتغيرات. ويوفر تعلم الآلة (ML) بُعدًا جديدًا لمواجهة هذه التحديات8. إذ يمكن لخوارزميات تعلم الآلة — مثل آلات المتجهات الداعمة (SVM)، وآلات تعزيز التدرج (LightGBM)، والبيرسيبترون متعدد الطبقات (MLP) — تحديد الأنماط الكامنة في مساحات الميزات عالية الأبعاد تلقائيًا وبناء نماذج غير خطية ذات قدرات تنبؤية قوية8,9,10,11. ومع ذلك، وبينما يتم السعي لتحقيق دقة التنبؤ، فإن طبيعة هذه الخوارزميات كـ "صندوق أسود"، والتي تتميز بنقص القابلية للتفسير، غالبًا ما تثير مخاوف بشأن الثقة في اتخاذ القرارات الطبية12,13. وفي المقابل، تُظهر خوارزمية Naive Bayes، بمنطقها الاحتمالي البسيط وقابليتها الذاتية للتفسير، مزايا فريدة في الدراسات السريرية ذات العينات الصغيرة14,15. ومن خلال تقييم مساهمة الاحتمال البعدي لكل متغير تنبؤي في حدث النتيجة، لا يضمن نموذج Naive Bayes أداءً تنبؤيًا فحسب، بل يوفر للأطباء أيضًا رؤى بديهية لدعم القرار. علاوة على ذلك، ولتقييم عدم التوازن بين حمولة المادة المتباينة وقدرة التصفية الفردية كميًا، تقدم هذه الدراسة بشكل مبتكر نسبة المادة المتباينة إلى معدل الترشيح الكبيبي (CGR) كميزة أساسية. بالنسبة للمرضى الذين يعانون من احتياطي وظيفي كلوي منخفض، يمكن أن تؤدي حتى الجرعات المتوسطة من المواد المتباينة إلى قيم CGR عالية جدًا، مما قد يزيد من القابلية للإصابة بـ CIE. وقد يوفر CGR مقياسًا مركبًا بديهيًا سريريًا يدمج عبء المادة المتباينة وقدرة التصفية الكلوية، رغم أن قيمته التنبؤية الإضافية تتطلب مزيدًا من التحقق. ومن خلال دمج هذا المؤشر الحيوي المتكامل، هدفت هذه الدراسة إلى تطوير إطار تنبؤي يعكس الواقع الفسيولوجي المرضي بشكل أدق.
باختصار، هدفت هذه الدراسة إلى تطوير والتحقق من صحة نموذج تنبؤ بـ CIE يعتمد على تعلم الآلة (ML) باستخدام المتغيرات السريرية والإجرائية في الفترة المحيطة بالجراحة16. وتشمل الأهداف المحددة ما يلي: (1) تقديم وتقييم CGR كفهرس مركب استكشافي؛ (2) بناء ومقارنة أداء خمسة نماذج لتعلم الآلة، وهي: Naive Bayes و SVM و KNN و LightGBM و MLP؛ و(3) تحديد النموذج الأمثل. ونظراً لمحدودية عدد حالات CIE، فقد اعتُبرت مقارنة النماذج استكشافية ومهيأة لصياغة الفرضيات. وفي النهاية، قد توفر هذه الدراسة إطاراً أولياً لتصنيف مخاطر CIE في الممارسة العصبية التداخلية، ولكن لا ينبغي استخدامها كأداة مستقلة لاتخاذ القرارات السريرية دون التحقق الخارجي من صحتها. يوضح الشكل 1A الأساس المفاهيمي لـ CGR وعلاقته بالتعرض للمادة الظليلة والتصفية الكلوية. كما يلخص الشكل 1B سير عمل الدراسة الإجمالي، بما في ذلك المعالجة المسبقة للبيانات، وتقسيم بيانات التدريب والاختبار، واختيار الميزات، وتطوير النموذج. ويُعرض إطار التقييم المقارن لنماذج تعلم الآلة الخمسة في الشكل 1C.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
تمت مراجعة بروتوكول الدراسة والموافقة عليه من قبل لجنة الأخلاقيات في المستشفى العام لقيادة المسرح الشمالي (رقم الموافقة Ethics Y (2026) 75). ورغم أن البيانات السريرية استُمدت من مرضى عولجوا بين يناير 2024 وديسمبر 2025، فقد أُجريت الدراسة الحالية كتحليل استعادي للسجلات السريرية القائمة. وشملت الموافقة الأخلاقية التي تم الحصول عليها في عام 2026 استخراج البيانات الاستعادية، وإزالة تحديد الهوية، وتحليل ونشر هذه البيانات السريرية التي جُمعت سابقاً. ولم يتم إجراء أي تدخل استباقي أو تسجيل للمرضى قبل الحصول على الموافقة الأخلاقية. كما تم الإعفاء من شرط الموافقة المستنيرة المكتوبة نظراً لتصميم الدراسة الرصادية الاستعادية. أُجريت جميع الإجراءات وفقاً لإعلان هلسنكي، كما تم إزالة تحديد الهوية من جميع البيانات السريرية قبل التحليل. وقد أُجري التحليل الحالي كجزء من مشروع بحثي معتمد للبيانات السريرية للتداخلات العصبية الاستعادية. وتلخص جدول المواد المواد والمعدات المطلوبة للإجراءات الموضحة أدناه.
تسجيل المرضى وتحديد CIE
تم تحديد المرضى المؤهلين المحتملين من خلال البحث في نظام السجلات الطبية الإلكترونية عن المرضى الذين عولجوا في قسم جراحة الأعصاب في المستشفى العام لقيادة المسرح الشمالي بين يناير 2024 وديسمبر 2025. اقتصر البحث الأولي على تاريخ الدخول، والقسم، وتشخيص أمراض الأوعية الدموية الدماغية، وسجلات الإجراءات التداخلية العصبية. يوضح الشكل 2 سير عمل فحص المرضى المفصل وتوزيع المجموعات. وكان المرضى مؤهلين للإدراج إذا استوفوا جميع المعايير التالية: (1) العمر بين 30 و 80 عاماً؛ (2) تشخيص بمرض وعائي دماغي يتطلب تقييماً أو علاجاً تداخلياً عصبياً؛ (3) توفر سجلات سريرية كاملة ونتائج الفحوصات المخبرية؛ (4) إجراء فحص CT للرأس بعد العملية خلال 3 أيام من الجراحة.
تم استبعاد المرضى في حال كانت البيانات السريرية أو بيانات التصوير غير مكتملة، أو إذا لم يخضعوا لتدخل وعائي داخلي، أو كانوا يعانون من عجز عصبي شديد قبل العملية (درجة مقياس Rankin المعدل ≥4)، أو أظهروا احتشاءً دماغياً حاداً في تصوير الرنين المغناطيسي الموزون بالانتشار قبل العملية، أو كانوا يعانون من مرض الكلى المزمن في المرحلة G4 أو أعلى وفقاً لمعايير تحسين النتائج العالمية لأمراض الكلى (KDIGO)، أو كانوا يعانون من مرض قلبي وعائي شديد. طُبقت معايير الاشتمال والاستبعاد بالتسلسل. وبعد البحث الإلكتروني الأولي، تمت مراجعة كل سجل مرشح يدوياً للتأكد من الأهلية وتوثيق سبب الاستبعاد عند الاقتضاء. وبعد الفرز، تم توزيع المرضى المؤهلين عشوائياً على مجموعتي التدريب والاختبار بنسبة 8:2، بما في ذلك مجموعة تدريب (n = 128) ومجموعة اختبار (n = 3). واستُخدمت العينة العشوائية الطبقية للحفاظ على توزيع متسق لحالات CIE والحالات غير المصابة بـ CIE بين المجموعتين.
استند تشخيص CIE بشكل أساسي إلى الارتباط الزمني بين ظهور الأعراض وإجراءات التدخل الوعائي الدماغي، بالتزامن مع تقييم تصويري استبعادي. قام أخصائيان مستقلان في التدخل الوعائي الدماغي بمراجعة السجلات السريرية بعد الجراحة، ووقت ظهور الأعراض، والمظاهر العصبية، ونتائج التصوير بعد الجراحة لجميع الحالات المشتبه بها. وتم حل الخلافات من خلال المناقشة حتى يتم التوصل إلى إجماع. واعتُبر المرضى متوافقين مع CIE إذا ظهر عمى قشري مستحدث، أو تغير في الحالة الوعائية (بما في ذلك النعاس أو الهذيان أو الغيبوبة)، أو نوبات صرع، أو قصور عصبي بؤري مثل الشلل الشقي أو الحبسة الكلامية، وذلك خلال 24 h بعد إتمام الإجراء التداخلي العصبي.
بعد ظهور الأعراض، تم استبعاد المسببات البديلة القادرة على إحداث مظاهر عصبية مماثلة من خلال مراجعة صور الأشعة المقطعية (CT) أو التصوير بالرنين المغناطيسي (MRI) بعد الجراحة، بالتزامن مع تتبع المسار السريري. أُجريت الأشعة المقطعية للرأس بعد الجراحة باستخدام بروتوكول الأشعة المقطعية القحفية القياسي في المؤسسة بدون صبغة. تضمنت معايير التصوير الأساسية جهد أنبوب قدره 80 kVp، وتيار أنبوب قدره 260 mA، وسماكة شريحة تبلغ 0.5 mm، وإعادة بناء محورية قياسية. تمت مراجعة الصور عبر نوافذ الدماغ والعظام من قبل أطباء ذوي خبرة. وفي سياق التشخيص التفريقي، تم أخذ النزيف داخل القحف الحاد، والنزيف تحت العنكبوتية، والنزيف داخل الدماغ، واحتشاء الدماغ واسع النطاق حديث التكون، والتغيرات المرتبطة بالنوبات الصرعية، والعدوى، والاضطرابات الأيضية بعين الاعتبار. أظهرت فحوصات الأشعة المقطعية التي تلت ظهور الأعراض عادةً وذمة دماغية بؤرية أو منتشرة وظلالاً عالية الكثافة تشمل القشرة الدماغية، أو المناطق تحت القشرية، أو الحيز تحت العنكبوتية، مما يحاكي الآفات النزفية. وعادةً ما تُظهر نتائج التصوير بالرنين المغناطيسي تورماً في القشرة، خاصة في القشرة الصدغية الجدارية القفوية. ومع ذلك، لم تُظهر فحوصات الأشعة المقطعية أو الرنين المغناطيسي في بعض المرضى أي تشوهات واضحة رغم وجود مظاهر سريرية متوافقة.
الحصول على المتغيرات في الفترة المحيطة بالجراحة وبناء CGR
تم استخراج البيانات الديموغرافية العامة، بما في ذلك العمر والجنس ووزن الجسم، من حقول مهيكلة في نظام السجلات الطبية الإلكترونية. كما استُخرجت متغيرات التاريخ السريري، بما في ذلك تاريخ التدخين، وتاريخ استهلاك الكحول، وارتفاع ضغط الدم، وداء السكري، ومرض الشريان التاجي، من ملاحظات الدخول، وسجلات التاريخ الطبي السابق، وتشخيصات الخروج، وتمت مراجعتها للتأكد من اتساقها. واستُخرجت البيانات المختبرية من نظام معلومات المختبر. وبالنسبة لكل مريض، تم استخدام أول عينة دم وريدي جُمِعت بعد الدخول وقبل الإجراء التداخلي العصبي. وشملت المتغيرات المختبرية المستخرجة مستويات الكرياتين في المصل، ومعدل الترشيح الكبيبي التقديري (eGFR)، والكوليسترول الكلي، ومستويات الدهون الثلاثية. تم حساب eGFR باستخدام معادلة الكرياتين الخاصة بتعاون وبائيات أمراض الكلى المزمنة (CKD-EPI)، وتم الحصول عليها من نظام معلومات المختبر بالمستشفى.
بسبب احتمال تأثير تعقيد الإجراء، والتعرض لعامل التباين، وموقع الآفة على اختلال الحاجز الدموي الدماغي واحتباس عامل التباين أثناء الإجراءات التداخلية العصبية، تم أيضاً دمج المتغيرات الإجرائية المحيطة بالجراحة في الإطار التنبؤي. شملت المتغيرات المرتبطة بالإجراء موقع الآفة، ونوع الإجراء، ومدة الإجراء، ونوع عامل التباين، والحجم الإجمالي للتباين. تم تحديد موقع الآفة ونوع الإجراء من تقارير العمليات وسجلات تصوير الأوعية. عُرِّفت مدة الإجراء بأنها الوقت من لحظة ثقب الشريان حتى اكتمال الإجراء التداخلي العصبي. وعُرِّف الحجم الإجمالي للتباين بأنه الحجم التراكمي لعامل التباين اليودي الذي تم إعطاؤه من بداية الإجراء وحتى نهايته. كانت عوامل التباين المستخدمة في هذه الدراسة هي ICA غير الأيوني، بما في ذلك iodixanol (320 mg من اليود/mL)، والتي أُعطيت وفقاً للممارسة السريرية المؤسسية. أجريت جميع الإجراءات التداخلية العصبية المشمولة في هذه الدراسة تحت توجيه تصوير الأوعية بطرح رقمي من قبل فريق تداخل عصبي ذو خبرة في مركز الدراسة. نُفذت جميع الإجراءات باستخدام نهج الشريان الفخذي. وخلال التدخل، تلقى المرضى مضادات تخثر أثناء العملية باستخدام heparin، وتم الحفاظ على وقت التجلط المنشط ضمن النطاق المستهدف 250–30 s. كما تم مراقبة العلامات الحيوية باستمرار طوال فترة الإجراء.
أُجريت التدخلات العلاجية، بما في ذلك انصمام تمدد الأوعية الدموية، ورأب الأوعية، ووضع الدعامة، وفقاً لخصائص الآفة وتقدير المشغل. وقد تم اختيار القسطرات الدقيقة، أو اللفائف، أو الدعامات، أو البالونات المناسبة وفقاً لمتطلبات الإجراء. وخلال التصوير وعملية التدخل الوعائي، تم إعطاء مواد التباين إما عن طريق الحقن عالي الضغط أو التسريب اليدوي بمعدل ثابت. وقد استُخرج نوع مادة التباين وإجمالي حجمها من سجلات الإجراء، وتمت مطابقتها مع سجلات التخدير أو التمريض عند توفرها. كما تمت مراجعة السجلات التي تحتوي على معلومات غير متسقة أو ناقصة بشأن حجم مادة التباين يدوياً قبل إدراجها في مجموعة البيانات التحليلية النهائية.
تمت مراجعة جميع المتغيرات المتعلقة بالإجراء بشكل منهجي والتحقق من اكتمالها واتساقها قبل التحليل، بما في ذلك مدة الإجراء، ونوع التدخل العلاجي، واستخدام الأجهزة، وسجلات إعطاء مادة التباين. ولتقييم عدم التوازن بين عبء مادة التباين وقدرة التصفية الكلوية كمياً، تم اعتماد CGR كمتغير تنبؤي أساسي وحسابه وفقاً للمعادلة التالية:
(1)
تم تسجيل الحجم الإجمالي للمادة الظليلة بوحدة mL، بينما سُجل معدل الترشيح الكبي التقديري (eGFR) بوحدة mL/min/1.73 m2. كانت قيمة eGFR المستخدمة لحساب معدل تركيز المادة الظليلة (CGR) هي قيمة eGFR قبل الجراحة، والتي تم الحصول عليها من أول عينة دم وريدية جُمِعت بعد الدخول وبوقت يسبق الإجراء التداخلي العصبي. وبالنسبة لكل مريض، تم حساب CGR بعد التحقق من كل من الحجم الإجمالي للمادة الظليلة وeGFR. كان البسط هو الحجم الإجمالي للمادة الظليلة بوحدة mL، والمقام هو eGFR بوحدة mL/min/1.73 m2. وقد طُبقت قاعدة الحساب ذاتها على جميع المرضى قبل تطوير النموذج.
اختيار الميزات وسير عمل التعلم الآلي
لضمان المتانة التحليلية، خضعت جميع المتغيرات السريرية والمخبرية لإجراءات مراقبة الجودة المنهجية قبل التحليل. كما تم حساب نسبة البيانات المفقودة لكل متغير مرشح قبل تطوير النموذج. وفي مجموعة البيانات التحليلية النهائية، لم تُلاحظ أي قيم مفقودة بين المتنبئات المشمولة أو تسميات النتائج؛ وبناءً على ذلك، لم يتم استبعاد أي متغير بسبب الفقدان، ولم تكن هناك حاجة إلى استخدام التعويض المتعدد. يتوفر الملخص التفصيلي للبيانات المفقودة في الجدول التكميلي 1.
تم تقييم جميع المتغيرات التنبؤية المرشحة في البداية باستخدام تحليلات أحادية المتغير لتقدير ارتباطاتها بحدوث CIE. وقد تم اختيار الأساليب الإحصائية وفقًا لخصائص توزيع البيانات. وعُبر عن المتغيرات ذات التوزيع الطبيعي في شكل متوسط ± انحراف معياري، وتمت مقارنتها باستخدام اختبار t للعينات المستقلة. أما المتغيرات ذات التوزيع غير الطبيعي، فقد عُبر عنها في شكل الوسيط (المدى الربيعي، IQR) وحُللت باستخدام اختبار Mann–Whitney U. وعُرضت المتغيرات الفئوية كترددات ونسب مئوية وحُللت باستخدام اختبار مربع كاي أو اختبار فيشر الدقيق. وقد حُددت الدلالة الإحصائية عندما تكون p < 0.05.
قُسمت مجموعة البيانات بأكملها عشوائيًا إلى مجموعتي تدريب واختبار بنسبة 8:2 قبل تطوير النموذج. وللحد من فرط التخصيص وتقليل التعدد الخطي، طُبِق تحليل الانحدار باستخدام "أقل تقلص مطلق للمُعاملات واختيارها" (LASSO) مع التحقق المتقاطع 10-fold لاختيار الميزات. وقد أجريت عمليات اختيار الميزات، وضبط المعاملات الفائقة، وتطوير النموذج باستخدام مجموعة التدريب فقط لتجنب تسرب البيانات. ولم تُستخدم مجموعة الاختبار الداخلية أثناء تقدير معاملات التعويض، أو اختيار الميزات، أو ضبط المعاملات الفائقة، أو تدريب النموذج، بل استُخدمت مرة واحدة فقط للتقييم النهائي للأداء. كما أُجري تحسين المعاملات الفائقة باستخدام استراتيجية البحث الشبكي مع التحقق المتقاطع 10-fold ضمن مجموعة التدريب. وتحديداً، قُسمت مجموعة التدريب عشوائياً إلى 10 مجموعات فرعية مانعة للتداخل؛ وفي كل تكرار، استُخدمت تسع مجموعات لتدريب النموذج، بينما استُخدمت المجموعة المتبقية للتحقق. وقد كُررت هذه العملية 10 مرات لضمان أن كل مجموعة فرعية قد عملت كمجموعة تحقق مرة واحدة بالضبط.
أُجريت جميع التحليلات الحسابية في بيئة Python. وتم تطوير نماذج تعلم الآلة (ML) وتقييمها باستخدام scikit-learn. كما تم توفير النصوص البرمجية التحليلية المستخدمة في المعالجة المسبقة للبيانات، واختيار الميزات، وتدريب النماذج، وتقييم الأداء، وتحليل منحنى القرار (DCA) كملفات برمجية تكميلية. وفيما يتعلق بتنفيذ النماذج، استُخدمت الميزات المختارة من انحدار LASSO كمتغيرات مدخلة لجميع المصنفات المرشحة. كما عُيرت المتغيرات المستمرة باستخدام تسوية z-score ضمن مجموعة التدريب، وطُبقت معايير القياس ذاتها على مجموعة الاختبار الداخلية. وشُفرت المتغيرات الفئوية وفقاً لمخطط ترميز محدد مسبقاً، وتتوفر تعريفات المتغيرات ومخطط الترميز في Supplementary Table 2. تم تنفيذ خمسة مصنفات هي: Gaussian Naive Bayes، وSVM، وKNN، وLightGBM، وMLP. وبالنسبة لـ SVM، تم ضبط نوع النواة، ومعامل التنظيم C، ومعامل النواة gamma. أما بالنسبة لـ KNN، فقد تم ضبط عدد الجيران واستراتيجية وزن المسافة. وبالنسبة لـ LightGBM، تم ضبط عدد المقدرات، ومعدل التعلم، والعمق الأقصى للشجرة، وعدد الأوراق. وبالنسبة لـ MLP، تم ضبط بنية الطبقة الخفية، ودالة التنشيط، ومعامل التنظيم، ومعدل التعلم. ونُفذ Gaussian Naive Bayes باستخدام إعداد تنعيم التباين المحدد. واختير المزيج الأمثل للمعلمات الفائقة لكل نموذج وفقاً لأداء التحقق المتقاطع ضمن مجموعة التدريب. وتلخص Supplementary Table 3 مجموعات المعلمات الفائقة النهائية المحسنة المختارة لكل نموذج. وبعد اختيار المعلمات الفائقة، أُعيد ضبط كل نموذج نهائي على مجموعة التدريب الكاملة، ثم قُيم مرة واحدة في مجموعة الاختبار الداخلية.
مقارنات أداء النموذج
بناءً على المتنبئات المختارة، تم تطوير ومقارنة خمسة نماذج من نماذج تعلم الآلة (ML). وقُيِّم أداء النماذج في كل من مجموعتي التدريب والاختبار باستخدام المساحة تحت منحنى خصائص تشغيل المستقبل (AUC)، وفاصل الثقة 95% (95% CI)، والحساسية، والنوعية، والدقة. كما تم إنشاء منحنيات خصائص تشغيل المستقبل لمقارنة الأداء التمييزي للنماذج المختلفة. وحُدِّدت عتبة التصنيف المثلى لكل نموذج حصرياً ضمن مجموعة التدريب باستخدام مؤشر يودن (Youden index). بعد ذلك، تم تثبيت العتبة المشتقة وتطبيقها دون تغيير على مجموعة الاختبار الداخلية لحساب مقاييس الأداء المعتمدة على العتبة.
تحليل منحنى القرار
تَمّ إجراء تحليل منحنى قرار القرار (DCA) عن طريق حساب الفائدة الصافية لكل نموذج عبر مجموعة من احتمالات العتبة، ومقارنة الاستراتيجية القائمة على النموذج مع استراتيجيتين افتراضيتين: علاج جميع المرضى وعدم علاج أي مريض. تم اختيار DCA لأنه يسمح بالتقييم المتزامن لأداء التمييز والتطبيق السريري المحتمل في سياقات اتخاذ القرار في الفترة المحيطة بالجراحة. ولتسهيل إمكانية التكرار، تم تنفيذ سير العمل الكامل وفق التسلسل التالي: تحديد المرضى من نظام السجلات الطبية الإلكترونية، تطبيق معايير الاشتمال والاستبعاد، التحكيم في إصابات تداخل الجهاز الهضمي (CIE) بواسطة اختصاصيين مستقلين، استخراج ومراجعة المتغيرات الديموغرافية والتاريخ السريري والمخبرية والمتغيرات المتعلقة بالإجراءات، حساب معدل نمو القولون (CGR)، تقييم البيانات المفقودة وتقسيم مجموعة التدريب والاختبار، اختيار الميزات بناءً على طريقة LASSO ضمن مجموعة التدريب، ضبط المعلمات الفائقة عن طريق التحقق المتقاطع بمقدار 10 أضعاف، إعادة ملاءمة النموذج النهائي في مجموعة التدريب الكاملة، تقييم مجموعة الاختبار الداخلية، تقييم الأداء بناءً على منحنى خصائص تشغيل المستقبل (ROC)، تحديد العتبة باستخدام مؤشر Youden، وأخيرًا إجراء تحليل DCA.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
تسجيل المرضى وتحديد CIE
شملت هذه الدراسة ما مجموعه 161 مريضاً خضعوا لإجراءات التدخل العصبي، من بينهم 12 مريضاً (7.5%) أصيبوا بالانصمام الدماغي الخلالي (CIE)، بينما لم يصِب 149 مريضاً (92.5%) هذا الاضطراب. تظهر عملية فحص المرضى وتقسيمهم إلى مجموعات بالتفصيل في الشكل 2. تم تشخيص الـ CIE بناءً على الارتباط الزمني بين ظهور الأعراض وإجراءات التدخل العصبي، مقترناً بنتائج التصوير الإشعاعي التي استبعدت مسببات أخرى. تظهر نتائج التصوير العصبي النموذجية لحال...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
تُعد اعتلالات الدماغ الناجمة عن مواد التباين (CIE) مضاعفة نادرة ولكنها قد تكون خطيرة بعد الإجراءات التداخلية العصبية، وتتميز بخلل وظيفي عصبي حاد يحدث بعد فترة وجيزة من التعرض لعوامل التباين. وعلى الرغم من أن هذه الحالة تكون عادةً قابلة للتراجع، إلا أنها قد تؤدي في بعض الحالات إلى عجز عصبي مستمر أو حتى نتائج مهددة للحياة، مما يؤكد أهمية التحديد المبكر للمخاطر17,18,19,20. ومع ذلك، فإن الآليات الف...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
يعلن المؤلفون عن عدم وجود تضارب في المصالح. وقد استُخدمت منصة OnekeyAI فقط كأداة بحث لتحليل البيانات المهيكلة وتطوير النماذج في هذه الدراسة.
شكر وتقدير
تم دعم هذا العمل من قبل البرنامج المشترك لخطة العلوم والتكنولوجيا في مقاطعة لياونينغ (مشروع برنامج البحث والتطوير الرئيسي؛ منحة رقم 2025JH2/101800053) وبرنامج موهبة شينغلياو في مقاطعة لياونينغ (منحة رقم XLYC2403134). كما يقر المؤلفون بالدعم المقدم من قسم جراحة الأعصاب في المستشفى العام للمسرح الشمالي في جمع بيانات المرضى ومراجعة التصوير العصبي.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| نظام السجلات الطبية الإلكترونية | مستشفى المسرح الشمالي العام (Northern Theater General Hospital) | النظام السريري المؤسسي | يستخدم لاستخراج البيانات بأثر رجعي جمع متغيرات البيانات الديموغرافية والتاريخ السريري |
| نظام معلومات المختبر | مستشفى المسرح الشمالي العام (Northern Theater General Hospital) | النظام المختبري المؤسسي | يستخدم لاستخراج البيانات المختبرية بأثر رجعي جمع بيانات الكرياتينين في المصل، ومعدل الترشيح الكبيبي التقديري (eGFR)، وملف الدهون، والبيانات المختبرية الأخرى |
| نظام تصوير الأوعية بالطرح الرقمي | Philips | Allura Xper FD 20 (مع محطة عمل التدخلات R1.3.2) | يستخدم خلال الإجراءات السريرية الروتينية إجراء التدخلات العصبية وتسجيل استخدام المادة الملونة |
| جهاز التصوير المقطعي المحوسب (CT Scanner) | Philips | Ingenuity CT | يستخدم لتقييم التصوير بعد الجراحة تقييم التصوير المقطعي المحوسب للقحف بعد الجراحة |
| منصة OnekeyAI لتحليل البيانات المهيكلة | OnekeyAI | 20240916 | تستخدم كأداة بحثية؛ وليس لها دور في اتخاذ القرارات السريرية المعالجة المسبقة للبيانات المهيكلة، وبناء النموذج، وتقييم النموذج، وتوليد الأشكال التوضيحية |
| Python | مؤسسة برمجيات Python | 3.7.12 | لغة برمجة مفتوحة المصدر المعالجة المسبقة للبيانات، والتحليل الإحصائي، وتطوير النماذج، والتصور البياني |
| scikit-learn | مطورو scikit-learn | 1.0.2 | مكتبة تعلم آلي مفتوحة المصدر بلغة Python LASSO، وNaive Bayes، وSVM، وKNN، وMLP، وتحليل ROC، ومقاييس الأداء |
المراجع
- Nunna R, et al. Advances in the endovascular management of cerebrovascular disease. Mo Med. 2024;121:127-135.
- Jiang B, et al. Cerebral aneurysm treatment: modern neurovascular techniques. Stroke Vasc Neurol. 2016;1:93-100.
- Allison C, et al. Contrast-induced encephalopathy after cerebral angiogram: a case series and review of literature. Case Rep Neurol. 2021;13:405-413.
- Vazquez S, et al. Incidence and risk factors for acute transient contrast-induced neurologic deficit: a systematic review with meta-analysis. Stroke Vasc Interv Neurol. 2022;2:e000142.
- Meijer FJA, et al. Contrast-induced encephalopathy: neuroimaging findings and clinical relevance. Neuroradiology. 2022;64:1265-1268.
- Quintas-Neves M, et al. Contrast-induced neurotoxicity related to neurological endovascular procedures: a systematic review. Acta Neurol Belg. 2020;120:1419-1424.
- Mariajoseph FP, et al. Clinical management of contrast-induced neurotoxicity: a systematic review. Acta Neurol Belg. 2024;124:1141-1149.
- Deo RC. Machine learning in medicine. Circulation. 2015;132:1920-1930.
- Rajkomar A, Dean J, Kohane IS. Machine learning in medicine. N Engl J Med. 2019;380:1347-1358.
- Kline A, et al. Multimodal machine learning in precision health: a scoping review. NPJ Digit Med. 2022;5:171.
- Esteva A, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24-29.
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.
- Agrawal R, et al. Fostering trust and interpretability: integrating explainable AI (XAI) with machine learning for enhanced disease prediction and decision transparency. Diagn Pathol. 2025;20:105.
- Domingos P, Pazzani M. On the optimality of the simple Bayesian classifier under zero-one loss. Mach Learn. 1997;29:103-130.
- Sarker IH. Machine learning: algorithms, real-world applications and research directions. SN Comput Sci. 2021;2:160.
- Collins GS, et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. Br J Cancer. 2015;112(2):251-259.
- Wu B, et al. Radiological findings of contrast-induced encephalopathy following cerebral angiography: a case report. Medicine (Baltimore). 2023;102:e33855.
- Wang K, et al. Contrast-induced encephalopathy after neurointerventional procedures: a series of three cases. Case Rep Neurol Med. 2025;2025:4384841.
- Chu YT, et al. Contrast-induced encephalopathy after endovascular thrombectomy for acute ischemic stroke. Stroke. 2020;51:3756-3759.
- Leong S, Fanning NF. Persistent neurological deficit from iodinated contrast encephalopathy following intracranial aneurysm coiling: a case report and review of the literature. Interv Neuroradiol. 2012;18(1):33-41.
- Hepburn M, et al. Fatal brain injury following carbon dioxide angiography. J Stroke Cerebrovasc Dis. 2020;29:105350.
- Matsubara N, et al. Contrast-induced encephalopathy following embolization of intracranial aneurysms in hemodialysis patients. Neurol Med Chir (Tokyo). 2017;57:641-648.
- Maclean MA, et al. Contrast-induced encephalopathy and the blood-brain barrier. Can J Neurol Sci. 2025;52:85-94.
- Cristaldi PMF, et al. Contrast-induced encephalopathy and permanent neurological deficit: a case report and literature review. Surg Neurol Int. 2021;12:273.
- Babyak MA. What you see may not be what you get: a brief, nontechnical introduction to overfitting in regression-type models. Psychosom Med. 2004;66(3):411-421.
- Zevallos CB, et al. Greater intraprocedural systolic blood pressure and blood pressure variability are associated with contrast-induced neurotoxicity after neurointerventional procedures. J Neurol Sci. 2021;420:117209.
- Zevallos CB, et al. Clinical and imaging features of contrast-induced neurotoxicity after neurointerventional surgery. World Neurosurg. 2020;142:e316-e324.
- Barbieri L, et al. Contrast volume to creatinine clearance ratio for the prediction of contrast-induced nephropathy in patients undergoing coronary angiography or percutaneous intervention. Eur J Prev Cardiol. 2016;23:931-937.
- Bhat T, et al. Neutrophil to lymphocyte ratio and cardiovascular diseases: a review. Expert Rev Cardiovasc Ther. 2013;11:55-59.
- Abbott NJ, Rönnbäck L, Hansson E. Astrocyte-endothelial interactions at the blood-brain barrier. Nat Rev Neurosci. 2006;7(1):41-53.
- Simental-Mendía LE, Rodríguez-Morán M, Guerrero-Romero F. The product of fasting glucose and triglycerides as surrogate for identifying insulin resistance in apparently healthy subjects. Metab Syndr Relat Disord. 2008;6:299-304.
- Spina R, et al. Contrast-induced encephalopathy following cardiac catheterization. Catheter Cardiovasc Interv. 2017;90:257-268.
- Steyerberg EW, et al. Internal validation of predictive models: efficiency of some procedures for logistic regression analysis. J Clin Epidemiol. 2001;54(8):774-781.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.