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.
مقالة بحثية
التنبؤ باعتلال الدماغ الناجم عن المادة الظليلة بعد الإجراءات التداخلية العصبية باستخدام تعلم الآلة
* These authors contributed equally
يفتح في علامة تبويب جديدة
في هذه المقالة
ملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
الملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
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
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
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.
البروتوكول
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تمت مراجعة بروتوكول الدراسة والموافقة عليه من قبل لجنة الأخلاقيات في المستشفى العام لقيادة المسرح الشمالي (رقم الموافقة Ethics Y (2026) 75). وعلى الرغم من أن البيانات السريرية استُمدت من مرضى تم علاجهم في الفترة ما بين يناير 2024 وديسمبر 2025، إلا أن الدراسة الحالية أُجريت كتحليل استرجاعي للسجلات السريرية الحالية. وقد شملت الموافقة الأخلاقية التي تم الحصول عليها في عام 2026 استخراج البيانات الاسترجاعية، وإزالة الهوية، والتحليل، ونشر هذه البيانات السريرية التي تم جمعها 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 الرصدية الاسترجاعية. أُجريت جميع الإجراءات وفقاً لإعلان هلسنكي، وتم إزالة الهوية من جميع البيانات السريرية قبل التحليل. وأُجري هذا التحليل كجزء من مشروع بحثي معتمد للبيانات السريرية في مجال التدخل العصبي الاسترجاعي. 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 تم علاجهم في قسم جراحة الأعصاب في المستشفى العام لقيادة المسرح الشمالي بين يناير 2024 وديسمبر 2025. واقتصر البحث الأولي على تاريخ الدخول، والقسم، وتشخيص أمراض الأوعية الدموية الدماغية، وسجلات إجراءات التدخل العصبي. ويوضح الشكل 2 سير عمل فحص المرضى بالتفصيل وتوزيع المجموعات. وكان المرضى مؤهلين للإدراج إذا استوفوا جميع المعايير التالية: (1) السن بين 30 و80 عاماً؛ (2) تشخيص بمرض في الأوعية الدموية الدماغية يتطلب تقييماً أو علاجاً بالتدخل العصبي؛ (3) توفر السجلات السريرية الكاملة ونتائج الاختبارات المختبرية؛ (4) إجراء فحص CT للرأس بعد العملية في غضون 3 أيام من الجراحة.
تم استبعاد المرضى إذا كانت بياناتهم السريرية أو التصويرية غير مكتملة، أو لم يخضعوا لتدخل وعائي داخلي، أو عانوا من عجز عصبي شديد قبل العملية (درجة مقياس Rankin المعدل ≥4)، أو ظهرت لديهم احتشاءات دماغية حادة في تصوير الرنين المغناطيسي بانتشار الوزن قبل العملية، أو أصيبوا بمرض الكلى المزمن في المرحلة G4 أو أعلى وفقًا لمعايير تحسين النتائج العالمية لأمراض الكلى (KDIGO)، أو عانوا من أمراض قلبية وعائية شديدة. طُبقت معايير الاشتمال والاستبعاد بالتسلسل. وبعد البحث الإلكتروني الأولي، تمت مراجعة كل سجل مرشح يدويًا لتأكيد الأهلية وتوثيق سبب الاستبعاد عند الاقتضاء. وبعد الفرز، تم توزيع المرضى المؤهلين عشوائيًا على مجموعات التدريب والاختبار بنسبة 8:2، بحيث شملت مجموعة التدريب (n = 128) ومجموعة الاختبار (n = 33). واستُخدم أسلوب العينات العشوائية الطبقية للحفاظ على توزيع متسق لحالات CIE والحالات غير المصابة بـ CIE بين المجموعتين.
اعتمد تشخيص CIE بشكل أساسي على الارتباط الزمني بين ظهور الأعراض وإجراءات التدخل الوعائي الدماغي، بالإضافة إلى تقييم استبعادي عن طريق التصوير. قام اختصاصيان مستقلان في التدخل الوعائي الدماغي بمراجعة السجلات السريرية بعد العملية، 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 حالة CIE إذا ظهر لديهم عمى قشري مستحدث، أو تغير في درجة الوعي (بما في ذلك النعاس أو الهذيان أو الغيبوبة)، أو تشنجات، أو قصور عصبي بؤري مثل الشلل الشقي أو الحبسة الكلامية في غضون 24 h بعد إتمام إجراء التدخل العصبي.
بعد ظهور الأعراض، تم استبعاد الأسباب البديلة القادرة على إحداث مظاهر عصبية مماثلة من خلال مراجعة صور الأشعة المقطعية (CT) أو الرنين المغناطيسي (MRI) بعد العملية الجراحية جنبًا إلى جنب مع المسار السريري. تم إجراء الأشعة المقطعية للرأس بعد العملية باستخدام بروتوكول الأشعة المقطعية للقحف بدون تباين المعتمد في المؤسسة. وشملت معاملات الاستحواذ الأساسية جهد الأنبوب بقيمة 80 kVp، وتيار الأنبوب بقيمة 260 mA، وسماكة الشريحة 0.5 mm، وإعادة بناء محورية قياسية. تمت مراجعة الصور عبر نوافذ الدماغ والعظام من قبل أطباء متمرسين. وتم أخذ النزيف داخل القحف الحاد، والنزيف تحت العنكبوتية، والنزيف داخل الدماغ، واحتشاء الدماغ واسع النطاق الذي ظهر حديثًا، والتغيرات المرتبطة بالنوبات الصرعية، والعدوى، والاضطرابات الأيضية في الاعتبار أثناء التشخيص التفريقي. وأظهرت فحوصات الأشعة المقطعية بعد ظهور الأعراض عادةً وذمة دماغية بؤرية أو منتشرة وظلال عالية الكثافة تشمل القشرة، أو المناطق تحت القشرية، أو الحيز تحت العنكبوتية، مما يحاكي الآفات النزفية. وعادةً ما تظهر نتائج الرنين المغناطيسي تورمًا قشريًا، لا سيما في القشرة الصدغية الجدارية القذالية. ومع ذلك، لم تظهر فحوصات الأشعة المقطعية أو الرنين المغناطيسي في بعض المرضى أي تشوهات واضحة رغم وجود المظاهر السريرية المتوافقة.
جمع المتغيرات في الفترة المحيطة بالجراحة وبناء الـ CGR
تم استخراج البيانات الديموغرافية العامة، بما في ذلك العمر والجنس ووزن الجسم، من حقول منظمة في نظام السجلات الطبية الإلكترونية. كما استُخرجت متغيرات التاريخ السريري، بما في ذلك تاريخ التدخين، وتاريخ استهلاك الكحول، وارتفاع ضغط الدم، وداء السكري، ومرض الشرايين التاجية، من ملاحظات الدخول وسجلات التاريخ الطبي السابق وتشخيصات الخروج، وتم التحقق منها لضمان الاتساق. واستُخرجت البيانات المختبرية من نظام معلومات المختبر. وبالنسبة لكل مريض، تم استخدام أول عينة دم وريدية جُمعت بعد الدخول وقبل الإجراء التداخلي العصبي. وشملت المتغيرات المختبرية المستخرجة مستويات الكرياتينين في المصل، ومعدل الترشيح الكبيبي التقديري (eGFR)، والكوليسترول الكلي، والدهون الثلاثية. وقد حُسب eGFR باستخدام معادلة Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI) القائمة على الكرياتينين، وتم الحصول عليه من نظام معلومات مختبر المستشفى.
نظراً لأن تعقيد الإجراء، والتعرض لعامل التباين، وموقع الآفة قد تؤثر على اختلال الحاجز الدموي الدماغي واحتباس عامل التباين أثناء الإجراءات التداخلية العصبية، فقد تم دمج متغيرات الإجراء في الفترة المحيطة بالجراحة ضمن إطار التنبؤ. شملت المتغيرات المرتبطة بالإجراء موقع الآفة، ونوع الإجراء، ومدة الإجراء، ونوع عامل التباين، والحجم الإجمالي لعامل التباين. تم تحديد موقع الآفة ونوع الإجراء من التقارير الجراحية وسجلات تصوير الأوعية. وعُرِفت مدة الإجراء بأنها الوقت من لحظة ثقب الشريان حتى اكتمال الإجراء التداخلي العصبي. كما عُرِف الحجم الإجمالي لعامل التباين بأنه الحجم التراكمي لعامل التباين اليودي الذي تم إعطاؤه من بداية الإجراء حتى نهايته. كانت عوامل التباين المستخدمة في هذه الدراسة عبارة عن ICA غير أيوني، بما في ذلك iodixanol (320 mg of iodine/mL)، والتي أُعطيت وفقاً للممارسة السريرية في المؤسسة. أُجريت جميع الإجراءات التداخلية العصبية المدرجة في هذه الدراسة تحت توجيه تصوير الأوعية بطرح الرقمي بواسطة فريق تداخلي عصبي خبير في مركز الدراسة. نُفذت جميع الإجراءات باستخدام نهج الشريان الفخذي. وخلال التدخل، تلقى المرضى مضادات تخثر أثناء الجراحة باستخدام heparin، وتم الحفاظ على وقت التجلط المنشط ضمن النطاق المستهدف من 250–300 s. كما تمت مراقبة العلامات الحيوية باستمرار طوال فترة الإجراء.
أُجريت التدخلات العلاجية، بما في ذلك سد التمدد الشرياني، ورتأ الشرايين، ووضع الدعامة، وفقاً لخصائص الآفة وتقدير المشغل. كما تم اختيار القساطر الدقيقة، أو اللفات، أو الدعامات، أو البالونات المناسبة بناءً على متطلبات الإجراء. وخلال التصوير بـالأشعة التداخلية والتدخل العلاجي، تم إعطاء عوامل التباين إما عن طريق الحقن عالي الضغط أو التسريب اليدوي بمعدل ثابت. وقد استُخلص نوع عامل التباين والحجم الإجمالي له من سجلات الإجراءات، وتمت مطابقتها مع سجلات التخدير أو التمريض عند توفرها. كما روجعت السجلات التي تحتوي على معلومات غير متسقة أو غير كاملة عن حجم عامل 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 المادة الملونة. ولتقييم عدم التوازن بين عبء المادة الملونة وقدرة التصفية الكلوية كميًا، تم تحديد CGR كمتغير تنبؤي أساسي وحسابه وفقًا للمعادلة التالية:
(1)
تم تسجيل الحجم الإجمالي للمادة المباينة بوحدة mL، كما تم تسجيل معدل الترشيح الكبيبي التقديري (eGFR) بوحدة mL/min/1.73 m2. وكانت قيمة eGFR المستخدمة في حساب معدل استهلاك المباينة (CGR) هي قيمة eGFR قبل العملية، والتي تم الحصول عليها من أول عينة دم وريدية جُمعت بعد الدخول إلى المستشفى وقبل الإجراء التداخلي العصبي. وبالنسبة لكل مريض، تم حساب CGR بعد التحقق من كل من الحجم الإجمالي للمادة المباينة وeGFR. وكان البسط هو الحجم الإجمالي للمادة المباينة 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 تعلم الآلة
لضمان المتانة التحليلية، خضعت جميع المتغيرات السريرية والمخبرية لإجراءات نظامية لمراقبة الجودة قبل التحليل. وتم حساب نسبة البيانات المفقودة لكل متغير مرشح قبل تطوير النموذج. وفي مجموعة البيانات التحليلية النهائية، لم يتم رصد أي قيم مفقودة بين المتنبئات المدرجة أو تسميات النتائج؛ وبناءً على ذلك، لم يتم استبعاد أي متغير بسبب الفقدان، ولم تكن هناك حاجة لاستخدام طريقة التضمين المتعدد. يتوفر ملخص مفصل للبيانات المفقودة في الجدول التكميلي 1.
تم تقييم جميع المتغيرات التنبؤية المرشحة في البداية باستخدام التحليلات أحادية المتغير لتقدير ارتباطاتها بحدوث CIE. وقد تم اختيار الأساليب الإحصائية وفقاً لخصائص توزيع البيانات. وعُبر عن المتغيرات ذات التوزيع الطبيعي كمتوسط ± انحراف معياري، وقورنت باستخدام اختبار t للعينات المستقلة. أما المتغيرات ذات التوزيع غير الطبيعي فقد عُبر عنها بالوسيط (المدى الربيعي، IQR) وحُللت باستخدام اختبار Mann–Whitney U. وقُدمت المتغيرات الفئوية في شكل تكرارات ونسب مئوية وحُللت باستخدام اختبار مربع كاي أو اختبار فيشر الدقيق. وقد حددت الدلالة الإحصائية عند قيمة p < 0.05.
قُسِّمت مجموعة البيانات بأكملها عشوائياً إلى مجموعتين للتدريب والاختبار بنسبة 8:2 قبل تطوير النموذج. وللحد من الإفراط في التخصيص (overfitting) وتقليل التعدد الخطي (multicollinearity)، طُبِّق تحليل الانحدار باستخدام معامل الانكماش والاختيار الأقل مطلقاً (LASSO) مدمجاً مع التحقق المتقاطع بمقدار 10 طيات (10-fold cross-validation) لاختيار الميزات. وقد أُجري اختيار الميزات، وضبط المعلمات الفائقة (hyperparameter tuning)، وتطوير النموذج باستخدام مجموعة التدريب فقط لتجنب تسريب البيانات. ولم تُستخدم مجموعة الاختبار الداخلية أثناء تقدير معلمات التعويض، أو اختيار الميزات، أو ضبط المعلمات الفائقة، أو تدريب النموذج، بل استُخدمت مرة واحدة فقط للتقييم النهائي للأداء. وأُجري تحسين المعلمات الفائقة باستخدام استراتيجية البحث الشبكي (grid search) مع التحقق المتقاطع بمقدار 10 طيات ضمن مجموعة التدريب. وتحديداً، قُسِّمت مجموعة التدريب عشوائياً إلى 10 مجموعات فرعية مانعة تبادلياً؛ حيث استُخدمت في كل تكرار تسع مجموعات فرعية لتدريب النموذج، بينما استُخدمت المجموعة الفرعية المتبقية للتحقق. وكُرِّرت هذه العملية 10 مرات لضمان أن كل مجموعة فرعية قد عملت كمجموعة تحقق مرة واحدة فقط.
أُجريت جميع التحليلات الحسابية في بيئة Python. وتم تطوير وتقييم نماذج تعلم الآلة (ML) باستخدام scikit-learn. كما تم توفير نصوص التحليل البرمجية المستخدمة في المعالجة المسبقة للبيانات، واختيار الميزات، وتدريب النماذج، وتقييم الأداء، وتحليل منحنى قرار القرار (DCA) كملفات برمجية تكميلية. ولتنفيذ النماذج، استُخدمت الميزات المختارة من انحدار LASSO كمتغيرات مدخلة لجميع المصنفات المرشحة. وتم توحيد المتغيرات المستمرة باستخدام تطبيع z-score ضمن مجموعة التدريب، وطُبقت معاملات القياس نفسها على مجموعة الاختبار الداخلية. أما المتغيرات الفئوية فقد تم ترميزها وفقاً لمخطط ترميز محدد مسبقاً، وتتوفر تعريفات المتغيرات ومخطط الترميز في الجدول التكميلي 2. وقد تم تنفيذ خمسة مصنفات هي: Gaussian Naive Bayes، وSVM، وKNN، وLightGBM، وMLP. وبالنسبة لـ SVM، تم ضبط نوع النواة (kernel type)، ومعامل التنظيم C، ومعامل النواة gamma. وبالنسبة لـ KNN، تم ضبط عدد الجيران واستراتيجية ترجيح المسافة. وبالنسبة لـ LightGBM، تم ضبط عدد المقدرات (estimators)، ومعدل التعلم، وأقصى عمق للشجرة، وعدد الأوراق. وبالنسبة لـ MLP، تم ضبط بنية الطبقة الخفية، ودالة التنشيط، ومعامل التنظيم، ومعدل التعلم. وقد نُفذ Gaussian Naive Bayes باستخدام إعداد تنعيم التباين المحدد. واختير المزيج الأمثل للمعلمات الفائقة (hyperparameters) لكل نموذج وفقاً لأداء التحقق المتقاطع ضمن مجموعة التدريب. وتلخص الجدول التكميلي 3 المزيج النهائي المحسّن للمعلمات الفائقة الذي تم اختياره لكل نموذج. وبعد اختيار المعلمات الفائقة، أُعيد تركيب كل نموذج نهائي على مجموعة التدريب الكاملة وقُيّم مرة واحدة في مجموعة الاختبار الداخلية.
مقارنات أداء النموذج
بناءً على المتنبئات المختارة، تم تطوير ومقارنة خمسة نماذج من تعلم الآلة (ML). تم تقييم أداء النماذج في كل من مجموعتي التدريب والاختبار باستخدام المساحة تحت منحنى خصائص التشغيل للمستقبل (AUC)، وفاصل الثقة 95% (95% CI)، والحساسية، والنوعية، والدقة. وتم إنشاء منحنيات خصائص التشغيل للمستقبل لمقارنة الأداء التمييزي للنماذج المختلفة. كما تم تحديد عتبة التصنيف المثلى لكل نموذج حصرياً ضمن مجموعة التدريب باستخدام مؤشر Youden. بعد ذلك، تم تثبيت العتبة المستمدة وتطبيقها دون تغيير على مجموعة الاختبار الداخلية لحساب مقاييس الأداء المعتمدة على العتبة.
تحليل منحنى القرار
أُجري تحليل منحنى قرار القرار (DCA) من خلال حساب صافي الفائدة لكل نموذج عبر مجموعة من احتمالات العتبة، ومقارنة الاستراتيجية القائمة على النموذج مع استراتيجيتين افتراضيتين: علاج جميع المرضى وعدم علاج أي مريض. وقد وقع الاختيار على DCA لأنه يسمح بالتقييم المتزامن لأداء التمييز والقابلية للتطبيق السريري المحتمل في سياقات اتخاذ القرار في الفترة المحيطة بالجراحة. ولتسهيل إمكانية إعادة إنتاج النتائج، نُفذ سير العمل الكامل بالتسلسل التالي: تحديد المرضى من نظام السجلات الطبية الإلكترونية، وتطبيق معايير الاشتمال والاستبعاد، والبت في حالات CIE من قبل اختصاصيين مستقلين، واستخراج المتغيرات الديموغرافية والتاريخ السريري والمخبرية والمتغيرات المتعلقة بالإجراءات ومراجعتها، وحساب CGR، وتقييم البيانات المفقودة وتقسيم مجموعة التدريب والاختبار، واختيار الميزات بناءً على LASSO ضمن مجموعة التدريب، وضبط المعلمات الفائقة عن طريق التحقق المتقاطع بمقدار 10 طيات، وإعادة ملاءمة النموذج النهائي في مجموعة التدريب الكاملة، وتقييم مجموعة الاختبار الداخلية، وتقييم الأداء بناءً على ROC، وتحديد عتبة مؤشر Youden، وأخيراً إجراء DCA.
النتائج
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تسجيل المرضى وتحديد CIE
شملت هذه الدراسة إجمالي 161 مريضاً خضعوا لإجراءات التدخل العصبي، ومن بينهم طور 12 مريضاً (7.5%) حالة CIE، بينما لم يطورها 149 مريضاً (92.5%). تظهر عملية فحص المرضى وتوزيعهم إلى مجموعات بالتفصيل في الشكل 2. تم تشخيص CIE بناءً على الارتباط الزمني بين ظهور الأعراض وإجراءات التدخل العصبي، مقترناً بنتائج التصوير الاستبعادية. تظهر نتائج التصوير العصبي النموذجية لحالة CIE في الشكل 3A–D.
تم تلخيص الخصائص الديموغرافية والسريرية والمخبرية والإجرائية الأساسية للمجموعتين في الجدول 1. ولم تُلاحظ فروق ذات دلالة إحصائية بين مجموعتي CIE وغير CIE من حيث العمر، أو توزيع الجنس، أو وزن الجسم (جميع قيم p > 0.05). وبالمثل، لم يختلف انتشار الأمراض المصاحبة الشائعة، بما في ذلك ارتفاع ضغط الدم، وداء السكري، وأمراض الشريان التاجي، بشكل ملحوظ بين المجموعتين (جميع قيم p > 0.05). كما كانت عوامل نمط الحياة، مثل استهلاك الكحول وحالة التدخين، متقاربة أيضاً.
وفي المقابل، أظهرت عدة متغيرات متعلقة بالمختبر والإجراءات الطبية فروقاً ذات دلالة إحصائية بين المجموعتين. حيث سجل المرضى في مجموعة CIE مستويات كرياتينين في المصل أعلى بكثير مقارنة بالمرضى في مجموعة non-CIE (الوسيط: 85.2 مقابل 65.3 µmol/L، p = 0.004)، بينما كانت قيمة eGFR لديهم أقل بكثير (الوسيط: 81 مقابل 102.7 mL/min/1.73 m2، p < 0.001). وبالنسبة لخصائص الإجراءات، كانت عمليات الانصمام أكثر تكراراً بشكل ملحوظ في مجموعة CIE مقارنة بمجموعة non-CIE (41.7% مقابل 2.0%، p < 0.001). بالإضافة إلى ذلك، كانت آفات الدورة الدموية الخلفية أكثر شيوعاً بشكل ملحوظ بين المرضى الذين أصيبوا بـ CIE (58.3% مقابل 6.0%، p < 0.001). ولم يلاحظ أي فرق جوهري في نوع الوسائط التباينية المستخدمة بين المجموعتين (p = 0.982). علاوة على ذلك، تلقى المرضى في مجموعة CIE حجماً أكبر بكثير من العامل التبايني أثناء الإجراء (الوسيط: 200.0 مقابل 165.0 mL، p = 0.005) وكانت مدد الإجراءات لديهم أطول (الوسيط: 78.5 مقابل 50.0 min، p = 0.008). ومن الملاحظ أن مؤشر CGR، وهو مؤشر مركب مقترح في هذه الدراسة، كان أعلى بكثير في مجموعة CIE مقارنة بمجموعة non-CIE (الوسيط: 2.35 مقابل 1.63، p < 0.001)، مما يشير إلى وجود ارتباط قوي بين CGR وحدوث CIE.
تحصيل المتغيرات في الفترة المحيطة بالجراحة وبناء CGR
تم جمع وتحليل المتغيرات الديموغرافية والمخبرية والإجرائية في الفترة المحيطة بالجراحة بشكل منهجي كما هو موضح في البروتوكول. ومن بين هذه المتغيرات، تم إنشاء نسبة مادة التباين إلى معدل الترشيح الكبيبي (CGR)، والتي تُعرف بأنها نسبة إجمالي حجم مادة التباين إلى eGFR، كمؤشر مركب يعكس التوازن بين التعرض لمادة التباين وقدرة التصفية الكلوية. ارتبط CGR بحدوث CIE في هذه المجموعة، وأُدرج كمتنبئ مرشح لتحليلات اختيار الميزات وتطوير النموذج. ولمقارنة CGR بمكوناته الفردية، أجرينا تحليل ROC مقارناً باستخدام CGR، وإجمالي حجم مادة التباين، وeGFR. أظهر CGR أعلى قدرة تمييزية لـ CIE، حيث بلغت قيمة AUC 0.959 (95% CI: 0.924–0.985)، مقارنة بإجمالي حجم مادة التباين (AUC = 0.745, 95% CI: 0.559–0.886) وeGFR الذي تم تحليله في اتجاه المخاطر العكسي (AUC = 0.865, 95% CI: 0.764–0.951). وكان الفرق في AUC بين CGR وإجمالي حجم مادة التباين 0.214، والفرق في AUC بين CGR وeGFR هو 0.093. النتائج التفصيلية موضحة في الجدول التكميلي 4.
اختيار الميزات ومسار عمل تعلم الآلة
بهدف تحديد أكثر المتنبئات صلة مع تقليل التعدد الخطّي إلى الحد الأدنى، تم تطبيق انحدار LASSO مع التحقق المتقاطع بمقدار 10 طيات على المتغيرات المرشحة. ويُعرض ملف المعاملات ومنحنيات التحقق المتقاطع لنموذج LASSO في الشكل 4-أ و الشكل 4ب، على التوالي. يظهر ترتيب معاملات LASSO للنموذج النهائي في الشكل 5عند المستوى الأمثل λ القيمة، تم الاحتفاظ بمجموعة فرعية من المتغيرات، شملت معدل نمو الورم (CGR)، ونوع الإجراء، وموقع الآفة، ومستويات الدهون الثلاثية، وكرياتينين المصل، ومعدل الرشح الكبيبي التقديري (eGFR)، والعديد من المتغيرات السريرية المصاحبة. ويرد التصنيف الكمي للتنبؤات التي تم الاحتفاظ بها بناءً على معاملات LASSO في الجدول التكميلي 5.
مقارنات أداء النموذج
تم تطوير خمسة من نهج تعلم الآلة (ML)—وهي Naive Bayes وSVM وKNN وLightGBM وMLP—للتنبؤ بخطر الإصابة بـ CIE. ويتلخص أداؤها في مجموعتي التدريب والاختبار في الجدول 2، بينما تظهر مقارنة الدقة للنماذج الخمسة في الشكل 6، كما تتوفر مصفوفات الارتباك المقابلة في الشكل التكميلي 1، والشكل التكميلي 2، والشكل التكميلي 3، والشكل التكميلي 4، و الشكل التكميلي 5. ونظراً لأن مجموعة البيانات كانت غير متوازنة بشكل ملحوظ، حيث ضمت 12 حالة CIE و149 حالة غير مصابة بـ CIE، يجب تفسير الدقة والمقاييس القائمة على العتبة بحذر وبالاقتران مع الحساسية والنوعية وAUC وفترات الثقة. وفي مجموعة التدريب، أظهرت جميع النماذج قدرة تمييزية جيدة، حيث تراوحت قيم AUC بين 0.961–0.999. أما في مجموعة الاختبار الداخلية، فقد أظهر نموذج Naive Bayes أعلى قيمة عددية (AUC = 0.952, 95% CI: 0.843–1.000)، يليه نموذج LightGBM (AUC = 0.944, 95% CI: 0.822–1.000) ثم نموذج SVM (AUC = 0.935, 95% CI: 0.796–1.000).
عند عتبة التصنيف المثلى التي تم تحديدها بواسطة مؤشر Youden، حقق نموذج Naive Bayes حساسية بلغت 100% ونوعية بلغت 90.3%. ونظراً لعدم إجراء مقارنات إحصائية زوجية رسمية بين قيم AUC للنماذج، يجب تفسير الاختلافات الملحوظة بين النماذج على أنها وصفية واستكشافية. بالإضافة إلى ذلك، وبسبب عدم التوازن الملحوظ في مجموعة البيانات وصغر حجم مجموعة الاختبار الداخلية التي تضمنت عدداً محدوداً جداً من حالات CIE، فإن المقاييس القائمة على العتبة مثل الحساسية والنوعية قد تكون غير مستقرة ويجب تفسيرها بحذر. تظهر منحنيات خصائص التشغيل للمستقبل (ROC) لنموذج Naive Bayes في مجموعتي التدريب والاختبار في الشكل 7.
على الرغم من أن نموذج MLP قد حقق أداءً جيداً في مجموعة التدريب (AUC = 0.961)، إلا أن أداءه انخفض بشكل ملحوظ في مجموعة الاختبار (AUC = 0.742)، مما يشير إلى احتمال حدوث فرط توافق (overfitting). وبالمثل، أظهر نموذج KNN قدرة تمييزية محدودة في مجموعة الاختبار (AUC = 0.718) مع فاصل ثقة واسع، مما يشير إلى عدم الاستقرار. استُخدمت الاستراتيجية القائمة على مؤشر يودن (Youden index) لتحديد عتبة التصنيف المثلى للمقاييس المعتمدة على العتبة، بما في ذلك الحساسية والنوعية والدقة. أما قيم ROC-AUC نفسها فهي مستقلة عن العتبة. وبناءً على ذلك، فإن مقاييس الأداء المعتمدة على العتبة والمذكورة تعكس سلوك النموذج عند نقطة التشغيل المثلى. تتوفر عتبات يودن المثلى والمقاييس المقابلة المعتمدة على العتبة في الجدول التكميلي 6. وبشكل عام، أظهر نموذج Naive Bayes أداءً وصفياً مستقراً نسبياً بين مجموعتي التدريب والاختبار الداخلي، مع انخفاض عددي طفيف في قيمة AUC.
تحليل منحنى القرار
أُجري تحليل منحنى قرار القرار (DCA) لتقييم الفائدة السريرية للنماذج عبر مجموعة من احتمالات العتبة. وتظهر منحنيات DCA في الشكل 8. وقد أظهرت جميع النماذج فائدة صافية إيجابية ضمن نطاقات محددة من احتمالات العتبة مقارنة باستراتيجيتي "علاج الجميع" و"عدم علاج أحد". ومن بين النماذج التي تم تقييمها، أظهر نموذج SVM أوسع نطاق من الفائدة الصافية الإيجابية، بينما أظهرت النماذج الأخرى أيضًا فائدة سريرية محتملة ضمن نطاقات عتبة محددة.
توفر البيانات:
تم رفع البيانات الخام مجهولة الهوية المستخدمة لدعم التحليلات الرئيسية على GitHub وهي متاحة عبر الرابط التالي: https://doi.org/10.5281/zenodo.20043331. وقد تمت إزالة جميع المعرفات المباشرة للمرضى قبل مشاركة البيانات. وبما أن هذه الدراسة كانت دراسة سريرية استرجاعية استندت إلى السجلات الطبية في المستشفى، فإن الوصول إلى أي معلومات إضافية على مستوى المريض يظل مقيداً بموجب المتطلبات الأخلاقية ومتطلبات الخصوصية المؤسسية. ويمكن توفير بيانات إضافية مجهولة الهوية من المؤلف المسؤول عند تقديم طلب معقول وبموافقة لجنة الأخلاقيات المؤسسية. كما تم توفير برامج التحليل الإحصائي، وكود تدريب نموذج ML، وكود إنشاء الأشكال كملفات تكميلية لدعم إمكانية إعادة إنتاج النتائج.
الشكل 1: سير عمل نمذجة مخاطر CIE بناءً على البيانات المحيطة بالجراحة. (A) آليات CIE واشتقاق نسبة حجم الصبغة إلى eGFR (المشار إليها بـ CGR). (B) تكامل البيانات واختيار الميزات بناءً على LASSO. (C) تطوير ومقارنة نماذج ML، حيث أظهر Naive Bayes أعلى قيمة عددية لـ AUC في مجموعة الاختبار الداخلية (AUC ≈ 0.95). الاختصارات: CIE = اعتلال الدماغ الناجم عن الصبغة؛ CGR = نسبة حجم الصبغة إلى eGFR؛ eGFR = معدل الترشيح الكبيبي المقدر؛ AUC = المساحة تحت المنحنى. تم اشتقاق الشكل من البيانات السريرية الخاصة بالمؤلفين، وتم إنشاء الرسم التوضيحي في الأصل بواسطة المؤلفين باستخدام أيقونات Microsoft PowerPoint المعدلة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 2: اختيار المرضى وتوزيع المجموعات. مخطط تدفقي يوضح فحص المرضى، وتقييم الأهلية، ومعايير الاستبعاد، وتعيين المجموعات. تم تقييم ما مجموعه 225 مريضاً في البداية. وبعد تطبيق معايير الاشتمال، والتي شملت أن يكون العمر بين 30 و 80 عاماً، وتوفر بيانات سريرية كاملة، وإجراء تصوير مقطعي محوسب للرأس بعد الجراحة خلال 3 أيام، تبين أن 190 مريضاً مؤهلون. تم استبعاد المرضى بناءً على الإصابة باحتشاء دماغي حاد، أو مرض الكلى المزمن من المرحلة ≥ G4 (eGFR < 30 mL/min/1.73 m2)، أو أمراض القلب والأوعية الدموية الشديدة، أو عدم الخضوع للعلاج داخل الأوعية، أو العجز العصبي الشديد (درجة مقياس رانكن المعدل ≥ 4)، أو عدم اكتمال البيانات. وفي النهاية، تم إشراك 161 مريضاً وتقسيمهم عشوائياً إلى مجموعة التدريب (n = 128) ومجموعة الاختبار الداخلية (n = 33) بنسبة 8:2. الاختصارات: CT = التصوير المقطعي المحوسب؛ eGFR = معدل الترشيح الكبيبي المقدر؛ CKD = مرض الكلى المزمن؛ mRS = مقياس رانكن المعدل. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 3: صور مقطعية محوسبة متسلسلة بدون تباين لمريض يعاني من CIE. (أ) التصوير المقطعي المحوسب الأساسي قبل الإجراء. (ب) التصوير المقطعي المحوسب عند ظهور الأعراض يظهر كثافة مفرطة قشرية في الفص الجداري الأيمن (السهم). (ج) التصوير المقطعي المحوسب في اليوم الأول بعد الجراحة يظهر تحسناً جزئياً. (د) التصوير المقطعي المحوسب في اليوم الثاني بعد الجراحة يظهر مزيداً من التحسن. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 4: اختيار الميزات القائم على LASSO. (A) منحنى التحقق المتقاطع العشري المستخدم لتحديد القيمة المثلى لـ λ بناءً على الحد الأدنى من MSE. (B) ملفات المعاملات للمتغيرات المرشحة مرسومة مقابل log(λ)، وتوضح التغيرات في معاملات المتغيرات مع زيادة قوة التنظيم. الاختصارات: LASSO = مشغل تقليص واختيار المطلقات الأقل؛ λ = معامل التنظيم؛ MSE = متوسط مربع الخطأ. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 5: معاملات المتغيرات المختارة.مخطط شريطي يوضح معاملات المتغيرات التي تم الإبقاء عليها بعد اختيار LASSO. تشير المعاملات الموجبة إلى ارتباط إيجابي، بينما تشير المعاملات السالبة إلى ارتباط عكسي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 6: دقة التدريب والاختبار لنماذج تعلم الآلة الخمسة. دقة خمسة نماذج لتعلم الآلة (Naive Bayes، وSVM، وKNN، وLightGBM، وMLP) في مجموعات التدريب والاختبار. الاختصارات: SVM = support vector machine؛ KNN = k-nearest neighbor؛ LightGBM = light gradient boosting machine؛ MLP = multilayer perceptron. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 7: منحنيات ROC لنموذج Naive Bayes. منحنيات خصائص تشغيل المستقبل لمجموعات التدريب والاختبار الداخلي مع قيم المساحة تحت المنحنى المقابلة. الاختصارات: ROC = خصائص تشغيل المستقبل؛ AUC = المساحة تحت المنحنى. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 8: تحليل منحنى القرار. يوضح تحليل DCA المنفعة الصافية لنماذج مختلفة عبر احتمالات العتبة مقارنة باستراتيجيات "علاج الجميع" و"عدم علاج أحد". تشير المناطق المظللة إلى نطاقات احتمالية العتبة التي حقق فيها النموذج منفعة صافية إيجابية مقارنة بكل من استراتيجيتي "علاج الجميع" و"عدم علاج أحد". الاختصارات: DCA = تحليل منحنى القرار. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل التكميلي 1: مصفوفة الارتباك لنموذج Naive Bayes في مجموعة الاختبار الداخلية. تعرض المصفوفة أعداد العينات التي تم تصنيفها بشكل صحيح وخاطئ عند عتبة التصنيف المختارة.يرجى النقر هنا لتحميل هذا الملف.
الشكل التكميلي 2: مصفوفة الارتباك لنموذج SVM في مجموعة الاختبار الداخلية. وتعرض المصفوفة أعداد العينات التي تم تصنيفها بشكل صحيح وخاطئ عند عتبة التصنيف المختارة.يرجى النقر هنا لتحميل هذا الملف.
الشكل التكميلي 3: مصفوفة الارتباك لنموذج KNN في مجموعة الاختبار الداخلية. تعرض المصفوفة أعداد العينات التي تم تصنيفها بشكل صحيح وخاطئ عند عتبة التصنيف المختارة.يرجى النقر هنا لتحميل هذا الملف.
الشكل التكميلي 4: مصفوفة الارتباك لنموذج LightGBM في مجموعة الاختبار الداخلية. تعرض المصفوفة أعداد العينات التي تم تصنيفها بشكل صحيح وبشكل خاطئ عند حد التصنيف المحدد.يرجى النقر هنا لتحميل هذا الملف.
الشكل التكميلي 5: مصفوفة الارتباك لنموذج MLP في مجموعة الاختبار الداخلية. تعرض المصفوفة أعداد العينات المصنفة بشكل صحيح وخاطئ عند حد التصنيف المختار.يرجى النقر هنا لتحميل هذا الملف.
| الخاصية | CIE ( n = 12 ) | Non-CIE ( n = 149 ) | p القيمة |
| البيانات الديموغرافية | |||
| العمر (سنوات)، الوسيط (IQR) | 67 (62.5–69.0 ) | 63 ( 55.0–70.0 ) | 0.194 |
| ذكر، n (%) | 9 (75.0) | 105 (70.5) | 1.000 |
| الوزن (kg)، الوسيط (IQR) | 65 (55.0–70.0) | 70 (60.0–77.5) | 0.160 |
| الأمراض المصاحبة، n (%) | |||
| ارتفاع ضغط الدم | 7 (58.3) | 102 (68.5) | 0.526 |
| السكري | 4 (33.0) | 57 (38.3) | 1.000 |
| مرض الشريان التاجي | 2 (16.7) | 23 (15.4) | 1.000 |
| العادات، n (%) | |||
| استخدام الكحول | 7 (58.3) | 78 (52.3) | 0.770 |
| حالة التدخين | 7 (58.3) | 59 (39.6) | 0.233 |
| القيم المختبرية، الوسيط (IQR) | |||
| كرياتنين المصل (μmol/L) | 85.2 (65.0–89.0) | 65.3 (54.9–75.7) | 0.004 |
| eGFR (mL/min/1.73m²) | 81.0 (60.6–90.3) | 102.7 (89.0–116.3) | <0.001 |
| الكوليسترول الكلي (mmol/L) | 3.3 (3.0–4.4) | 3.4 (2.9–4.1) | 0.775 |
| الدهون الثلاثية (mmol/L) | 1.8 (1.2–2.1) | 1.2 (0.8–1.6) | 0.017 |
| خصائص الإجراء | |||
| نوع الإجراء، n ( % ) | <0.001 | ||
| - توسيع الوعاء بالدعامة | 7 (58.3) | 146(98.0) | |
| - الانصمام | 5 (41.7) | 3 (2.0) | |
| موقع الآفة، n (%) | <0.001 | ||
| - الدورة الدموية الخلفية | 7 (58.3) | 9 (6.0) | |
| - الدورة الدموية الأمامية | 5 (41.7) | 140 (94.0) | |
| نوع وسيط التباين، n (%) | 0.982 | ||
| - الجيل الثاني | 6 (50.0) | 75 (50.3) | |
| - الجيل الثالث | 6(50.0) | 74 (49.7) | |
| إجمالي حجم التباين (mL)، الوسيط (IQR) | 200 (188.0–200.0) | 165 (155.0–180.0) | 0.005 |
| مدة الإجراء (min)، الوسيط (IQR) | 78.5 (52.5–124.5) | 50 (47.0–57.0) | 0.008 |
| المؤشر المستحدث | |||
| CGR، الوسيط (IQR) | 2.35 (2.17–2.70) | 1.63 (1.40–1.85) | <0.001 |
الجدول 1: الخصائص السريرية الأساسية للمرضى. تمت مقارنة الخصائص الديموغرافية والسريرية والمخبرية والخصائص المتعلقة بالإجراءات بين مجموعتي اعتلال الدماغ الناجم عن المادة الظليلة (CIE) وغير المصابة به. تم عرض المتغيرات المستمرة في شكل المتوسط ± الانحراف المعياري أو الوسيط (المدى الربيعي)، بينما عُرضت المتغيرات الفئوية في شكل العدد والنسبة المئوية. أُجريت المقارنات الإحصائية بين المجموعات باستخدام الاختبارات المعلمية أو غير المعلمية المناسبة. الاختصارات: CIE = اعتلال الدماغ الناجم عن المادة الظليلة؛ eGFR = معدل الترشيح الكبيبي المقدر؛ CGR = نسبة حجم المادة الظليلة إلى معدل الترشيح الكبيبي المقدر؛ IQR = المدى الربيعي؛ SD = الانحراف المعياري.
| اسم النموذج | الدقة | AUC | 95% CI | الحساسية | الخصوصية | مجموعة البيانات |
| Naive Bayes | 0.875 | 0.961 | 0.924–0.998 | 1.0 | 0.864 | تدريب |
| Naive Bayes | 0.909 | 0.952 | 0.843–1.000 | 1.0 | 0.903 | اختبار |
| SVM | 0.992 | 0.999 | 0.997–1.000 | 1.0 | 0.992 | تدريب |
| SVM | 0.879 | 0.935 | 0.796–1.000 | 1.0 | 0.871 | اختبار |
| KNN | 0.891 | 0.969 | 0.941–0.997 | 1.0 | 0.881 | تدريب |
| KNN | 0.939 | 0.718 | 0.194–1.000 | 0.5 | 0.968 | اختبار |
| LightGBM | 0.969 | 0.988 | 0.973–1.000 | 1.0 | 0.966 | تدريب |
| LightGBM | 0.848 | 0.944 | 0.822–1.000 | 1.0 | 0.839 | اختبار |
| MLP | 0.914 | 0.961 | 0.908–1.000 | 0.9 | 0.915 | تدريب |
| MLP | 0.970 | 0.742 | 0.228–1.000 | 0.5 | 1.000 | اختبار |
الجدول 2: مقارنة أداء النماذج. تم تقييم الأداء التنبؤي لنماذج تعلم الآلة (ML) المختلفة باستخدام الدقة، والمساحة تحت المنحنى (AUC)، وفاصل الثقة 95% (CI)، والحساسية، والنوعية في مجموعات بيانات التدريب والاختبار الداخلي. الاختصارات: CI = فاصل الثقة.
الجدول التكميلي 1: ملخص لتقييم البيانات المفقودة قبل تطوير النموذج. ملخص للقيم المفقودة لجميع متغيرات التنبؤ المرشحة قبل تطوير النموذج. لم يتم ملاحظة أي قيم مفقودة بين المتغيرات المدرجة؛ وبناءً على ذلك، لم يتم إجراء أي عملية تعويض للبيانات.يرجى النقر هنا لتنزيل هذا الملف.
الجدول التكميلي 2: قاموس المتغيرات لمجموعة البيانات التحليلية. التعاريف، وطرق الترميز، وفئات المتغيرات، وأوصاف المتغيرات السريرية والمخبرية والمتعلقة بالإجراءات المدرجة في تحليل تعلم الآلة (ML).يرجى النقر هنا لتحميل هذا الملف.
الجدول التكميلي 3: نطاق البحث عن المعلمات الفائقة والمعلمات المختارة لنماذج تعلم الآلة.ملخص لنطاقات المعلمات الفائقة المرشحة والمعلمات المُحسَّنة التي تم الحصول عليها أثناء ضبط النموذج لكل خوارزمية من خوارزميات تعلم الآلة.يرجى النقر هنا لتنزيل هذا الملف.
الجدول التكميلي 4: تحليل ROC مقارن لـ CGR ومكوناته الفردية. تم إجراء تحليل خصائص تشغيل المستقبل (ROC) لمقارنة الأداء التنبؤي لـ CGR ومكوناته الفردية في التنبؤ بـ CIE.يرجى النقر هنا لتحميل هذا الملف.
الجدول التكميلي 5: ترتيب الميزات الكمية بناءً على معاملات LASSO. تم ترتيب المتغيرات المختارة وفقاً لقيم معاملاتها بعد إجراء انحدار LASSO، مما يوضح المساهمة النسبية واتجاه الارتباط لكل متغير في النموذج التنبؤي.يرجى النقر هنا لتنزيل هذا الملف.
الجدول الإضافي 6: عتبات يودن (Youden thresholds) المحددة في مجموعة التدريب ومقاييس أداء التصنيف المقابلة لها. تم تحديد العتبة المثلى لكل نموذج حصرياً في مجموعة التدريب باستخدام مؤشر يودن، ثم تم تثبيتها وتطبيقها على مجموعة الاختبار الداخلية. وقد حُسبت الدقة والحساسية والخصوصية في مجموعة الاختبار الداخلية باستخدام هذه العتبات الثابتة.يرجى النقر هنا لتحميل هذا الملف.
المناقشة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
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 الفيزيولوجية المرضية الكامنة وراء CIE معقدة ومتعددة العوامل، حيث تشمل تفاعلات بين عوامل خاصة بالمريض، وخصائص عامل التباين، وسمات الإجراء الطبي9,10,21,22,23,24. وهذا التعقيد يجعل من الصعب للغاية تحقيق تقييم دقيق للمخاطر في الفترة المحيطة بالجراحة بناءً فقط على متغيرات سريرية مفردة أو تقديرات تجريبية.
في هذه الدراسة، تم بناء وتقييم خمسة نماذج من تعلم الآلة (ML) للتنبؤ بخطر الإصابة بالانصمام الخثاري الدماغي (CIE) لدى المرضى الذين يخضعون لتدخلات وعائية دماغية. وبعد مقارنة الأداء الوصفي، تم تحديد نموذج Naive Bayes كنموذج يتمتع بالأداء الوصفي الأكثر توازناً في هذه الدراسة. ومن حيث قدرة النموذج على التمييز، أظهر نموذج Naive Bayes أعلى قيمة عددية للمساحة تحت المنحنى (AUC) في مجموعة الاختبار الداخلية (AUC = 0.952؛ 95% CI: 0.843–1.000)، مقارنة بنماذج LightGBM (AUC = 0.944؛ 95% CI: 0.822–1.000)، وSVM (AUC = 0.935؛ 95% CI: 0.796–1.000)، وMLP (AUC = 0.742؛ 95% CI: 0.228–1.000)، وخوارزمية KNN (AUC = 0.718، 95% CI: 0.195–1.000). ونظراً لعدم إجراء مقارنة إحصائية زوجية رسمية بين قيم AUC للنماذج، يجب تفسير هذه الاختلافات على أنها وصفية وليست دليلاً قاطعاً على تفوق نموذج معين. وجدير بالذكر أن نماذج KNN وMLP قدمت أداءً جيداً في مجموعة التدريب (AUC = 0.969 و0.961 على التوالي)، ولكن أداءهما انخفض بشكل ملحوظ في مجموعة الاختبار، مما يشير إلى احتمال حدوث فرط في التخصيص (overfitting)25. في المقابل، حافظ نموذج Naive Bayes على قيم AUC وصفية مماثلة بين مجموعة التدريب ومجموعة الاختبار الداخلية (الفرق في AUC = 0.009)، مما يشير إلى أداء وصفي مستقر نسبياً في مجموعة البيانات هذه. ومع ذلك، ينبغي تفسير هذا الاستقرار الظاهري بحذر لأن مجموعة الاختبار الداخلية شملت 33 مريضاً فقط وعدد محدود جداً من حالات CIE.
من منظور عملي، قد تكون البنية الاحتمالية البسيطة نسبياً لنموذج Naive Bayes مناسبة لمجموعات البيانات السريرية ذات العينات الصغيرة، خاصة عندما يكون عدد أحداث النتائج محدوداً. في هذه الدراسة، أظهر نموذج Naive Bayes أداءً وصفياً متوازناً نسبياً بين مجموعتي التدريب والاختبار الداخلية. ومع ذلك، وبسبب صغر حجم مجموعة الاختبار الداخلية واحتوائها على عدد قليل جداً من أحداث CIE، يجب تفسير هذا الاستقرار الظاهري بحذر، وهو ما يتطلب تحققاً خارجياً. قد يرتبط الأداء الوصفي المفضل نسبياً لنموذج Naive Bayes في مجموعة البيانات هذه ببنيته الاحتمالية البسيطة وملاءمته لسياقات العينات الصغيرة تحت افتراض استقلالية السمات14,15. في المقابل، فإن النماذج الأكثر تعقيداً مثل MLP وLightGBM تكون أكثر عرضة للإفراط في التخصيص (overfitting) في ظل ظروف العينات المحدودة، مما يقلل من قدراتها على التعميم. وتشير هذه النتائج أيضاً إلى أنه في مجالات البحث الموجهة سريرياً وعالية المخاطر مثل التدخلات العصبية، يجب أن يولي اختيار النموذج تركيزاً أكبر على الاستقرار، وقابلية التكرار، والجدوى السريرية، بدلاً من السعي الأعمى وراء التفوق المطلق للخوارزميات المعقدة أو مقاييس أداء فردية. أشارت DCA إلى أن نموذج Naive Bayes قد يوفر فائدة صافية عبر احتمالات العتبة المختارة، ولكن هذه النتيجة تظل استكشافية وتتطلب تحققاً خارجياً. علاوة على ذلك، فإن بنيته البسيطة، وحسابه الفعال، وقابلية تفسيره قد تدعم تقييمه مستقبلاً كنموذج استكشافي لتصنيف المخاطر في الفترة المحيطة بالجراحة، ولكن التحقق الخارجي ضروري قبل التطبيق السريري. ومن منظور سريري، بلغت نسبة حدوث CIE في هذه الدراسة 7.5%، وهي أعلى من نسبة 2%–5% الموثقة عموماً في التقارير السابقة7. ويعود هذا التباين بشكل كبير إلى الطبيعة الانتقائية العالية لمجتمع الدراسة: حيث ركزت المجموعة على المرضى الذين يعانون من أمراض الأوعية الدموية الدماغية والذين خضعوا لإجراءات تدخلية عصبية معقدة مثل انصمام تمدد الأوعية الدموية (aneurysm embolization). إن التباين الفريد في أنماط إعطاء المادة الملونة المرتبط بهذه الإجراءات، مثل تصوير الأوعية الانتقائي للغاية والاحتفاظ الموضعي بجرعات عالية—بالإضافة إلى فترات الإجراءات الأطول، كلها عوامل خطر معروفة لـ CIE9,10,26. علاوة على ذلك، فإن ارتفاع المخاطر الأساسية للمرضى يزيد من معدل الحدوث الإجمالي. وتؤكد نتائج الدراسة أن آفات الدورة الدموية الخلفية وإجراءات الانصمام هي مؤشرات قوية لـ CIE. ومن الناحية التشريحية، تغذي الدورة الدموية الخلفية (الجهاز الفقري القاعدي) جذع الدماغ والمخيخ والفص القفوي. ويظهر الفص القفوي حساسية عالية جداً لسمية المادة الملونة، وهو ما يفسر سبب ظهور العمى القشري غالباً لدى مرضى CIE. بالإضافة إلى ذلك، تختلف الخصائص الديناميكية الدموية للجهاز الفقري القاعدي عن تلك الخاصة بالدورة الدموية الأمامية، مما قد يفسر جزئياً الارتباط الملحوظ بين آفات الدورة الدموية الخلفية وCIE في هذه المجموعة.
عادةً ما تكون إجراءات الانصمام أكثر تحدياً من عمليات توسيع الأوعية الدموية البسيطة، حيث تتطلب تصويراً وعائياً فائق الانتقائية بشكل متكرر للتأكد من موضع الملفات ومدى انسداد الخثرة، مما يؤدي إلى تعرض السرير الوعائي المحلي لذروة تركيز أعلى بكثير من المادة المتباينة لكل وحدة زمنية مقارنة بالإجراءات الروتينية. وقد يكون هذا التعرض المكثف والموضعي للمادة المتباينة مساهماً منطقياً بيولوجياً في تعطيل الحاجز الدموي الدماغي (BBB)، على الرغم من عدم إمكانية التحقق من هذه الآلية بشكل مباشر في هذه الدراسة الاسترجاعية الحالية. وبالاتساق مع تحليل الخصائص الأساسية، أظهر المرضى في مجموعة CIE معدلات أعلى بكثير من علاج الانصمام ونسبة أكبر من آفات الدورة الدموية الخلفية مقارنة بأولئك في مجموعة non-CIE، مما يشير إلى أن التعقيد الجراحي والموقع التشريحي للآفة قد يكونان مرتبطين بحدوث CIE. علاوة على ذلك، فإن طول مدة الإجراء وزيادة إجمالي استخدام المادة المتباينة في مجموعة CIE يؤكدان بشكل أكبر التأثير التراكمي للمجهدات المرتبطة بالجراحة على خطر تطور CIE.
لتعزيز القابلية للتفسير السريري للنموذج، قيمت هذه الدراسة معدل التخلص من الصبغة (CGR) كمؤشر مركب استكشافي. لا يعتمد خطر حدوث CIE على الجرعة المطلقة لعامل التباين التي تدخل الأوعية الدموية الدماغية فحسب، بل يرتبط أيضاً بشكل وثيق بالمعدل الذي يتم به التخلص من عامل التباين من الدورة الدموية الجهازية. يدمج CGR الحجم الإجمالي للتباين ومعدل الترشيح الكبيبي التقديري (eGFR) في مؤشر مركب واحد يعكس عبء عامل التباين بالنسبة لقدرة التصفية الكلوية. يستند نهج التصميم هذا إلى النموذج القائم على النسب الراسخ والمستخدم في التنبؤ باعتلال الكلية الناجم عن الصبغة (CIN)، مثل نسبة حجم عامل التباين إلى eGFR27، ويتماشى مع الاستراتيجيات الحالية لبناء مؤشرات حيوية شاملة مثل نسبة العدلات إلى اللمفاويات (NLR)28 ومؤشر الدهون الثلاثية والجلوكوز (TyG)29، والتي تهدف جميعها إلى الكشف عن الحالات الفيزيولوجية المرضية الكامنة للأمراض. تُفرز عوامل التباين اليودية بشكل أساسي عن طريق الكلى في شكلها الأصلي. وعندما تنخفض التصفية الكلوية، قد يطول التعرض الجهازي لعوامل التباين اليودية، مما قد يزيد من تعرض الخلايا المبطانية لعوامل التباين. خلال الإجراءات التداخلية العصبية، غالباً ما تُحقن عوامل التباين مباشرة في الدورة الدموية الدماغية عبر الشرايين السباتية الداخلية أو الشرايين الفقارية بتركيزات عالية؛ وقد يؤدي تدرج الضغط الاسموزي الشديد موضعياً إلى تعطيل سلامة الحاجز الدموي الدماغي (BBB)30. وفي هذه المرحلة، إذا كانت التصفية الجهازية ضعيفة، فقد يستمر عامل التباين المتراكم في مجرى الدم في الحفاظ على تدرج التركيز عبر BBB، مما يدفع انتشار عامل التباين إلى الحيز الخلالي للدماغ. علاوة على ذلك، قد يوفر CGR طريقة بديهية سريرياً لدمج عبء التباين والتصفية الكلوية، إلا أن قيمته التنبؤية الإضافية مقارنة بحجم التباين أو eGFR وحدهما تتطلب مزيداً من التحقق. لذلك، قد يعمل CGR كمؤشر استكشافي لتصنيف مخاطر CIE في الفترة المحيطة بالجراحة.
وجدت هذه الدراسة أن نوع مادة التباين (منخفضة الأسمولية من الجيل الثاني مقابل متساوية الأسمولية من الجيل الثالث) لم يكن له قيمة تنبؤية مستقلة ذات دلالة إحصائية بالنسبة لـ CIE (p = 0.982). ولا تتفق هذه النتيجة تماماً مع بعض التقارير السابقة. ومن التفسيرات المحتملة أن عوامل أخرى غير الأسمولية، مثل السمية الكيميائية أو اللزوجة، قد تساهم في السمية العصبية الناتجة عن مادة التباين؛ ومع ذلك، يظل هذا التفسير نظرياً ويتطلب مزيداً من التحقق الميكانيكي. وهذا التفسير مدعوم بدراسات سريرية وميكانيكية سابقة31,32. علاوة على ذلك، قد يفضل المشغلون في الممارسة السريرية اختيار مواد التباين متساوية الأسمولية من الجيل الثالث للمرضى المعرضين لمخاطر عالية، مما يؤدي إلى تحيز محتمل مرتبط بالاستطباب قد يخفي أي اختلافات جوهرية بين الأنواع المختلفة من مواد التباين.
يجب التأكيد على عدة خطوات بروتوكولية حرجة لضمان التطبيق الناجح لسير العمل هذا. أولاً، يعد التحكيم الدقيق للنتائج أمراً أساسياً لأن التصنيف غير الدقيق لـ CIE سيؤثر بشكل مباشر على تدريب النموذج وتقييمه. يجب تقييم الحالات المشتبه في إصابتها بـ CIE باستخدام العلاقة الزمنية بين التعرض للمادة المباينة وظهور الأعراض، والمظاهر العصبية، ونتائج التصوير بعد الجراحة، واستبعاد التشخيصات البديلة. ثانياً، يعد الاستخراج والتحقق الدقيق من إجمالي حجم المادة المباينة و eGFR أمراً مهماً لأن هذين المتغيرين يحددان حساب CGR. ثالثاً، يجب حساب CGR باستخدام القاعدة نفسها لجميع المرضى بعد التأكد من كل من إجمالي حجم المادة المباينة و eGFR. رابعاً، يجب إجراء اختيار الميزات، وتقدير معاملات التعويض، وضبط المعلمات الفائقة، وتدريب النموذج ضمن مجموعة التدريب فقط لتجنب تسرب البيانات. وأخيراً، نظراً لأن CIE غير شائع وعدد الحالات محدود، يجب تفسير أداء النموذج بحذر والتحقق منه خارجياً قبل التطبيق السريري33.
يجب أيضاً مراعاة العديد من تعديلات المنهجية واستراتيجيات استكشاف الأخطاء وإصلاحها عند تطبيق سير العمل هذا في سياقات أخرى. إذا كانت نسبة البيانات المفقودة مرتفعة، فينبغي للباحثين أولاً تحديد ما إذا كان الفقد عشوائياً، ويجب تجنب تعويض المتغيرات التي تعاني من فقدان مفرط في البيانات. وفي حال كان عدد حالات CIE صغيراً جداً، يجب تقليل تعقيد النموذج، وقد يُفضل استخدام نماذج أبسط أو نماذج مُعاقبة (penalized models) للحد من فرط التخصيص (overfitting). وإذا تم تطبيق سير العمل في مركز آخر، فيجب توحيد تعريفات المتغيرات، وقواعد الترميز، وطرق حساب eGFR، وممارسات تسجيل حجم المادة المتباينة، ومعايير مراجعة التصوير قبل تدريب النموذج. أما إذا تراجع أداء النموذج أثناء التحقق الداخلي أو الخارجي، فيجب فحص الأسباب المحتملة مثل عدم توازن الفئات، وتسرب البيانات، وعدم اتساق المعالجة المسبقة، وعدم استقرار اختيار الميزات، والاختلافات في مزيج حالات المرضى. وبالنسبة للحالات التي يكون فيها تشخيص CIE غير مؤكد، يُوصى بالتحكيم من قبل عدة أطباء سريريين ذوي خبرة والاستبعاد الدقيق للتشخيصات البديلة قبل تطوير النموذج.
تعاني هذه الدراسة من القيود التالية: أولاً، تتبع هذه الدراسة تصميماً استرجاعياً في مركز واحد مع عدد محدود من حالات CIE. فقد حدثت 12 حالة CIE فقط بين 161 مريضاً مشمولاً، كما تضمنت مجموعة الاختبار الداخلية 33 مريضاً فقط مع عدد محدود جداً من حالات CIE. وبناءً على ذلك، قد تكون مقاييس الأداء مثل AUC والحساسية والنوعية غير مستقرة وحساسة للغاية لتصنيف حالة واحدة أو حالتين فقط. وفي المستقبل، ستكون هناك حاجة إلى التحقق الخارجي من خلال دراسات استباقية متعددة المراكز وعينات كبيرة للتأكيد بشكل أكبر على موثوقية النموذج. ثانياً، يعتمد النموذج المطور في هذه الدراسة بشكل أساسي على المتغيرات السريرية الروتينية التي تم جمعها قبل وأثناء الجراحة. وفي المستقبل، يمكننا دمج معاملات حركية مادة التباين أثناء الجراحة، وخصائص التصوير المبكر بعد الجراحة، والمؤشرات الحيوية المصلية المحددة لبناء نظام أكثر ديناميكية وشمولية للتنبؤ بمخاطر CIE. ثالثاً، أدى انخفاض معدل حدوث CIE (7.5%) إلى عدم توازن ملحوظ في الفئات، حيث توجد 12 حالة CIE فقط مقابل 149 حالة غير مصابة بـ CIE. وقد يقلل هذا الاختلال من موثوقية مقاييس أداء النموذج؛ فقد تبالغ الدقة في تقدير أداء النموذج عندما تهيمن فئة غير المصابين بـ CIE على مجموعة البيانات، بينما قد تكون الحساسية والنوعية والقيمة التنبؤية الإيجابية والقيمة التنبؤية السلبية غير مستقرة لأنها تتأثر بعدد صغير جداً من حالات CIE. لذا، يجب اعتبار النموذج المقترح حالياً كإطار عمل استكشافي لتصنيف المخاطر وليس كأداة نهائية لاتخاذ القرارات السريرية. ولم يتم إجراء المزيد من عمليات التحقق المتقاطع المكررة أو التحقق القائم على إعادة أخذ العينات في هذه الدراسة لأن عدد حالات CIE كان محدوداً للغاية، وقد تؤدي مثل هذه التحليلات إلى تقديرات غير مستقرة في ظل عدم التوازن الملحوظ في الفئات. ومن ثم، فإن التحقق الخارجي متعدد المراكز والتقييم الاستباقي ضروريان قبل التطبيق السريري.
باختصار، قارنت هذه الدراسة بشكل منهجي عدة نماذج من تعلم الآلة (ML)، ووجدت أن نموذج Naive Bayes أظهر الأداء الوصفي الأكثر توازناً للتنبؤ بـ CIE في مجموعة البيانات الحالية. قد يوفر هذا النموذج دعماً أولياً لتقسيم المخاطر في الفترة المحيطة بالجراحة، ولكن فائدته السريرية تتطلب مزيداً من التحقق. علاوة على ذلك، قيمت هذه الدراسة CGR كمقياس مركب استكشافي، والذي يحدد كمياً عدم التوازن بين "حمولة المادة الظليلة والتصفية الكلوية". وقد ظهر CGR كأحد أكثر المتنبئات تأثيراً في النموذج، وقد يوفر معلومات مفيدة لتقييم المخاطر الفردية في الفترة المحيطة بالجراحة. قد تساعد هذه النتائج في صياغة فرضيات لتحديد المرضى المعرضين لمخاطر عالية الذين يخضعون لإجراءات التدخل العصبي، ولكن هناك حاجة إلى مزيد من الدراسات بعينات أكبر وتحقق خارجي. كما تبرز الحاجة إلى دراسات مستقبلية بعينات أكبر وتحقق خارجي لتحديد ما إذا كانت النماذج التنبؤية متعددة الوسائط يمكن أن تحسن تقسيم مخاطر CIE وتدعم وقاية وإدارة أكثر دقة لهذه المضاعفات.
الإفصاحات
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
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
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
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.
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
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
- 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.
إعادة الطباعة والأذونات
طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه
طلب إذن