基于机器学习的神经介入术后对比剂诱导性脑病预测

摘要

本研究评估了一种利用围手术期数据的探索性机器学习（ML）框架，用于预测神经介入手术后造影剂脑病（CIE）的发生。朴素贝叶斯模型表现出最均衡的描述性能，造影剂剂量与估算肾小球滤过率比值（CGR）被确定为个体化风险评估的重要候选预测因子。

摘要

脑梗死（CIE）是神经介入手术后一种罕见但严重的并发症，目前仍缺乏可靠的无创性预测工具。本研究旨在利用围手术期临床和操作数据开发并验证一种用于预测CIE的机器学习（ML）模型，并评估中性粒细胞与总淋巴细胞计数比值（CGR）对CIE的预测价值。这是一项单中心回顾性研究，连续纳入了2024年1月至2025年12月期间在中国人民解放军北部战区总医院神经外科接受神经介入手术的161例患者。通过单变量分析结合LASSO回归筛选出CIE的候选围手术期预测因子。基于所选变量，训练并优化了五种机器学习模型：朴素贝叶斯（Naive Bayes）、支持向量机（SVM）、k近邻算法（KNN）、LightGBM以及多层感知机（MLP）。采用受试者工作特征曲线下面积（AUC）和决策曲线分析（DCA）对模型性能进行全面评估。在所评估的模型中，朴素贝叶斯模型在内部测试集上表现出最优的描述性性能，AUC为0.952（95% CI：0.843–1.000），敏感度为100%，特异度为90.3%；然而，由于数据集显著不平衡，且内部测试队列样本量较小、CIE事件数量极为有限，这些指标应谨慎解读。DCA结果表明，在选定的阈值概率范围内可能存在临床净获益。特征重要性分析显示，在本数据集中，CGR是与CIE风险相关性最高的候选预测因子之一。本研究评估的朴素贝叶斯模型可能为神经介入术后围手术期CIE的风险分层提供初步框架。CGR作为一个重要的预测特征，可能有助于实现个体化的风险分层。在临床应用前，仍需进一步开展外部验证研究。

引言

在过去二十年中，微创介入技术从根本上改变了脑血管疾病的治疗模式¹。神经介入手术因其高效性和微创优势，已成为某些特定脑血管疾病的重要治疗选择²。然而，随着介入手术复杂性的增加，术中造影剂的使用剂量、注射压力以及造影剂暴露时间也随之上升。因此，与造影剂相关的并发症逐渐受到越来越多的关注^3,4,5,6,7。造影剂脑病（CIE）是一种由碘化造影剂（ICM）诱发的急性、短暂性神经功能障碍，近年来被 increasingly 认识为一种具有临床意义的并发症，尤其在复杂的神经介入手术中更为显著。CIE 的典型临床表现通常在造影剂暴露后数分钟至24小时内出现，包括意识状态改变（如嗜睡、谵妄或昏迷）、皮质盲、局灶性神经功能缺损（如偏瘫或失语）以及癫痫发作^4,5,6。尽管大多数 CIE 病例具有自限性，症状通常在48至72小时内自行缓解，但部分患者可能出现持续性神经功能损害。严重病例甚至可能因大面积脑水肿而导致死亡^4,7。这种预后的不可预测性凸显了在围手术期开发一种可靠的早期风险预测工具的迫切需求。

随着临床数据量的持续增长，传统统计方法在处理具有多重共线性的高维医学数据时日益显得力不从心。此外，单变量分析或简单的逻辑回归模型往往难以捕捉变量之间复杂的非线性相互作用。机器学习（ML）为应对这些挑战提供了新的途径⁸。机器学习算法——如支持向量机（SVM）、梯度提升机（LightGBM）和多层感知机（MLP）——能够自动识别高维特征空间中的潜在模式，并构建具有强大预测能力的非线性模型^8,9,10,11。然而，在追求预测准确性的过程中，这些算法因其缺乏可解释性而呈现出“黑箱”特性，常常引发人们对医疗决策可信度的担忧^12,13。相比之下，朴素贝叶斯算法凭借其简单的概率逻辑和内在的可解释性，在小样本临床研究中展现出独特优势^14,15。通过评估每个预测变量对结局事件的后验概率贡献，朴素贝叶斯模型不仅保证了预测性能，还为临床医生提供了直观的决策支持信息。此外，为了定量评估造影剂负荷与个体清除能力之间的失衡程度，本研究创新性地引入了造影剂剂量与估算肾小球滤过率之比（CGR）作为核心特征。对于肾功能储备较低的患者，即使中等剂量的造影剂也可能导致极高的CGR值，从而增加发生造影剂肾病（CIE）的易感性。CGR可能提供一种临床直观的综合指标，整合了造影剂负荷与肾脏清除能力，但其额外的预测价值仍需进一步验证。通过纳入这一整合型生物标志物，本研究旨在建立一个更贴近病理生理实际的预测框架。

综上所述，本研究旨在利用围手术期临床和操作变量开发并验证一种基于机器学习（ML）的对比剂脑病（CIE）预测模型¹⁶。具体目标包括：（1）提出并评估CGR作为一种探索性复合指数的应用价值；（2）构建并比较五种机器学习模型——朴素贝叶斯（Naive Bayes）、支持向量机（SVM）、K近邻（KNN）、LightGBM和多层感知机（MLP）的性能；（3）确定最优模型。由于CIE事件数量有限，模型间的比较被视为探索性分析并用于生成假设。最终，本研究可能为神经介入实践中CIE的风险分层提供初步框架，但在获得外部验证之前，不应将其作为独立的临床决策工具。CGR的概念基础及其与对比剂暴露和肾清除率之间的关系见图1A。整个研究流程，包括数据预处理、训练集/测试集划分、特征选择及模型构建，总结于图1B。五种机器学习模型的比较评估框架展示在图1C中。

方案

本研究方案经北部战区总医院伦理委员会审查并批准（批准号：伦理 Y (2026) 75）。尽管临床数据来源于2024年1月至2025年12月期间接受治疗的患者，但本研究是对已有临床记录进行的回顾性分析。2026年获得的伦理批准涵盖了对既往收集的临床数据进行回顾性提取、去标识化、分析和发表。在获得伦理批准之前，未进行任何前瞻性干预或患者入组操作。由于本研究为回顾性观察性研究设计，因此豁免了书面知情同意的要求。所有操作均遵循《赫尔辛基宣言》的规定，且所有临床数据在分析前均已去标识化。本项分析是作为一项已获批准的回顾性神经介入临床数据研究项目的一部分而开展的。下文所述操作所需的材料和设备汇总于材料表中。

患者入组与CIE确定

通过查询2024年1月至2025年12月期间在中国北部战区总医院神经外科接受治疗的患者的电子病历系统，确定了潜在的合格患者。初步检索根据入院日期、科室、脑血管疾病诊断以及神经介入手术记录进行限定。详细的患者筛选和队列分配流程见图2。如果患者满足以下所有标准，则符合纳入条件：（1）年龄在30至80岁之间；（2）诊断为需要神经介入评估或治疗的脑血管疾病；（3）具有完整的临床病历和实验室检查结果；（4）术后3天内完成头部CT检查。

如果患者存在以下情况，则被排除：临床或影像学资料不完整、未接受血管内干预治疗、术前存在严重神经功能缺损（改良Rankin量表评分≥4分）、术前弥散加权成像显示急性脑梗死、根据改善全球肾脏病预后组织（KDIGO）标准诊断为慢性肾脏病G4期或更高、或存在严重心血管疾病。纳入与排除标准按顺序依次应用。在初步电子检索后，对每份候选病历进行人工审核，以确认是否符合纳入标准，并在必要时记录排除原因。筛选完成后，符合条件的患者按8:2的比例随机分配至训练队列和测试队列，包括训练队列（n = 128）和测试队列（n = 33）。采用分层随机抽样方法，以确保两个队列中CIE与非CIE病例的分布保持一致。

CIE 的诊断主要基于症状出现与脑血管介入手术之间的时间关联性，并结合排除性影像学评估。由两名独立的脑血管介入专家对所有疑似病例的术后临床记录、症状发生时间、神经系统表现以及术后影像学结果进行审阅。若有分歧，则通过讨论达成共识。若患者在神经介入手术完成后24小时内出现新发的皮质盲、意识状态改变（包括嗜睡、谵妄或昏迷）、癫痫发作，或偏瘫、失语等局灶性神经功能缺损，则被判定为符合 CIE 的诊断标准。

症状出现后，通过回顾术后CT或MRI影像及临床病程，排除了可能导致类似神经系统表现的其他病因。术后头部CT采用本机构标准的非增强颅脑CT方案进行。基本采集参数包括：管电压80 kVp，管电流260 mA，层厚0.5 mm，以及标准轴位重建。影像由经验丰富的临床医生在脑窗和骨窗下进行评估。在鉴别诊断中需考虑急性颅内出血、蛛网膜下腔出血、脑实质出血、新发大面积脑梗死、与癫痫相关的改变、感染以及代谢紊乱等情况。症状出现后的CT检查通常显示局灶性或弥漫性脑水肿，并伴有累及皮层、皮层下区域或蛛网膜下腔的高密度影，类似出血性病变。MRI表现通常为皮层肿胀，尤其累及颞顶枕皮层。然而，在部分患者中，尽管临床表现相符，CT或MRI检查却未显示明显异常。

围手术期变量采集与CGR构建

一般人口学数据，包括年龄、性别和体重，从电子病历系统的结构化字段中提取。临床病史变量，包括吸烟史、饮酒史、高血压、糖尿病和冠心病，从入院记录、既往病史记录和出院诊断中提取，并进行交叉核对以确保一致性。实验室数据从实验室信息系统中提取。对于每位患者，采用入院后、神经介入手术前采集的首次静脉血样本。提取的实验室变量包括血清肌酐、估算的肾小球滤过率（eGFR）、总胆固醇和甘油三酯水平。eGFR 使用慢性肾脏病流行病学协作组（CKD-EPI）基于肌酐的方程计算，并从医院实验室信息系统中获取。

由于操作复杂性、对比剂暴露以及病灶位置可能影响神经介入手术期间的血脑屏障破坏和对比剂滞留，因此也将围手术期操作变量纳入预测框架。与手术相关的变量包括病灶位置、手术类型、操作时长、对比剂类型以及总对比剂用量。病灶位置和手术类型根据手术记录和血管造影记录确定。操作时长定义为从动脉穿刺至神经介入手术完成的时间。总对比剂用量定义为从手术开始到结束期间给予的碘化对比剂的累积体积。本研究使用的对比剂为非离子型碘对比剂（ICA），包括碘克沙醇（320 mg 碘/mL），根据机构临床实践进行给药。本研究纳入的所有神经介入手术均在数字减影血管造影引导下，由研究机构经验丰富的神经介入团队完成。所有手术均采用经股动脉入路。在手术过程中，患者接受术中肝素抗凝治疗，并将活化凝血时间维持在目标范围250–300秒内。手术全程持续监测生命体征。

根据病变特征和操作者的判断，实施了包括动脉瘤栓塞、血管成形术和支架置入在内的治疗性干预措施。根据手术需求选择合适的微导管、弹簧圈、支架或球囊。在血管造影成像和介入过程中，通过高压注射或手动恒速输注给予对比剂。对比剂的类型及总使用量从手术记录中提取，并在可获取时与麻醉记录或护理记录进行交叉核对。对于对比剂用量信息不一致或不完整的记录，在纳入最终分析数据集前均进行人工复核。

在分析前，系统性地审查并核实了所有与操作相关的变量，包括操作持续时间、治疗干预类型、器械使用情况以及对比剂使用记录的完整性和一致性。为了定量评估对比剂负荷与肾脏清除能力之间的失衡程度，将对比剂负荷与肾小球滤过率比值（CGR）确立为核心预测变量，并根据以下公式进行计算：

(1)

总对比剂用量以 mL 记录，eGFR 以 mL/min/1.73 m² 记录。用于计算 CGR 的 eGFR 值为入院后、神经介入手术前采集的首次静脉血样本所得的术前 eGFR 值。对每位患者，在确认总对比剂用量和 eGFR 后计算 CGR。分子为以 mL 为单位的总对比剂用量，分母为以 mL/min/1.73 m² 为单位的 eGFR。在模型建立前，所有患者均采用相同的计算规则。

特征选择与机器学习工作流程

为确保分析的稳健性，所有临床和实验室变量在分析前均经过系统的质量控制程序。在模型建立前，计算了每个候选变量的缺失数据比例。在最终的分析数据集中，所包含的预测因子和结局标签中均未观察到缺失值；因此，无需因缺失数据而排除任何变量，也无需进行多重插补。详细的缺失数据汇总见补充表1。

所有候选预测变量首先通过单变量分析进行评估，以考察其与CIE发生之间的关联。根据数据的分布特征选择相应的统计学方法。符合正态分布的变量以均值±标准差表示，并采用独立样本t检验进行比较；不符合正态分布的变量以中位数（四分位间距，IQR）表示，采用Mann–Whitney U检验进行分析。分类变量以频数和百分比表示，采用卡方检验或Fisher确切概率法进行分析。统计学显著性定义为p < 0.05。

在模型开发之前，整个数据集以8:2的比例被随机划分为训练队列和测试队列。为了最小化过拟合并降低多重共线性，采用结合10折交叉验证的最小绝对收缩与选择算子（LASSO）回归进行特征筛选。特征筛选、超参数调优和模型开发仅使用训练队列完成，以避免数据泄露。内部测试队列在插补参数估计、特征筛选、超参数调优或模型训练过程中均未使用，仅在最终性能评估时使用一次。超参数优化在训练队列内采用网格搜索策略并结合10折交叉验证进行。具体而言，训练队列被随机划分为10个互斥的子集。在每次迭代中，使用其中9个子集进行模型训练，剩余1个子集用于验证。该过程重复10次，以确保每个子集恰好作为验证队列使用一次。

所有计算分析均在 Python 环境中完成。机器学习模型的开发与评估使用 scikit-learn 实现。用于数据预处理、特征选择、模型训练、性能评估以及决策曲线分析（DCA）的分析脚本作为补充代码文件提供。在模型实现中，LASSO 回归所选出的特征被用作所有候选分类器的输入变量。连续变量在训练队列中通过 z 分数标准化进行处理，并将相同的缩放参数应用于内部测试队列。分类变量根据预定义的编码方案进行编码，变量定义及编码方案详见补充表 2。共实现了五种分类器：高斯朴素贝叶斯、支持向量机（SVM）、K 近邻（KNN）、LightGBM 和多层感知机（MLP）。对于 SVM，对核函数类型、正则化参数 C 和核系数 gamma 进行了调优；对于 KNN，对邻居数量和距离加权策略进行了调优；对于 LightGBM，对估计器数量、学习率、最大树深度和叶节点数量进行了调优；对于 MLP，对隐藏层结构、激活函数、正则化参数和学习率进行了调优。高斯朴素贝叶斯采用指定的方差平滑设置实现。每种模型的最优超参数组合根据训练队列内的交叉验证性能确定。最终选定的各模型最优超参数组合汇总于补充表 3。在完成超参数选择后，每个最终模型均在完整的训练队列上重新拟合，并在内部测试队列中进行一次独立评估。

模型性能的比较

基于所选预测因子，构建并比较了五种机器学习模型。采用受试者工作特征曲线下面积（AUC）、95%置信区间（95% CI）、敏感性、特异性和准确率，对训练队列和测试队列中的模型性能进行评估。通过生成受试者工作特征曲线，比较不同模型的区分能力。各模型的最佳分类阈值通过Youden指数在训练队列中独立确定，所得阈值随后被固定，并直接应用于内部测试队列，以计算基于阈值的性能指标。

决策曲线分析

通过计算每个模型在一系列阈值概率下的净获益，并将基于模型的策略与两种默认策略（即治疗所有患者和不治疗任何患者）进行比较，从而进行决策曲线分析（DCA）。选择DCA是因为它能够在围手术期决策环境中同时评估模型的区分性能和潜在的临床适用性。为了便于结果重现，整个工作流程按以下顺序完成：从电子病历系统中识别患者，应用纳入和排除标准，由两名独立的专家进行CIE判定，提取并交叉核对人口统计学、临床病史、实验室检查及与操作相关的变量，计算CGR，评估缺失数据并划分训练集和测试集，基于LASSO在训练队列中进行特征筛选，通过10折交叉验证进行超参数调优，使用完整训练队列重新拟合最终模型，对内部测试队列进行评估，基于ROC曲线的性能评估，通过约登指数确定最佳阈值，以及DCA分析。

结果

患者入组与 CIE 确定

共纳入161名接受神经介入手术的患者，其中12例（7.5%）发生脑灌注异常（CIE），149例（92.5%）未发生。详细的患者筛选与分组流程如图所示。 图2. CIE 的诊断依据症状出现与神经介入手术之间的时间关联性，并结合排除性影像学结果而确立。CIE 的代表性神经影像学表现见下文 图 3A–D.

两组的基线人口统计学、临床、实验室及操作特征总结于表1中。CIE组与非CIE组在年龄、性别分布或体重方面均未观察到显著差异（所有p > 0.05）。同样，两组间常见合并症（包括高血压、糖尿病和冠心病）的患病率差异亦无统计学意义（所有p > 0.05）。生活方式因素（如饮酒和吸烟状况）也具有可比性。

讨论

对比剂脑病（CIE）是一种罕见但可能严重的神经介入术后并发症，其特征是在接触对比剂后短时间内出现急性神经功能障碍。尽管该病症通常具有可逆性，但在某些情况下可能导致持续性神经功能缺损，甚至危及生命，因此早期识别风险显得尤为重要^17,18,19,20。然而，CIE的病理生理机制复杂且为多因素共同作用，涉及患者特异性因素、对比剂特性以及手术操作特征之间的相互作用^{9,10,21,22,23,24}。这种...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
电子病历系统	Northern Theater General Hospital	机构临床系统	用于回顾性数据提取 收集人口统计学和临床病史变量
实验室信息系统	Northern Theater General Hospital	机构实验室系统	用于回顾性实验室数据提取 收集血清肌酐、eGFR、血脂谱及其他实验室数据
数字减影血管造影系统	Philips	Allura Xper FD 20（配备 Interventional Workstation R1.3.2）	在常规临床操作中使用 神经介入操作及对比剂使用记录
CT 扫描仪	Philips	Ingenuity CT	用于术后影像学评估 术后颅脑 CT 评估
OnekeyAI 结构化数据分析平台	OnekeyAI	20240916	作为研究工具使用，不参与临床决策 结构化数据预处理、模型构建、模型评估及图表生成
Python	Python Software Foundation	3.7.12	开源编程语言 数据预处理、统计分析、模型开发与可视化
scikit-learn	scikit-learn 开发者	1.0.2	开源 Python 机器学习库 LASSO、朴素贝叶斯、SVM、KNN、MLP、ROC 分析及性能指标计算