Machine-Learning-gestützte Vorhersage der kontrastmittelinduzierten Enzephalopathie nach neurointerventionellen Eingriffen

Zusammenfassung

Ein explorativer Machine-Learning-(ML)-Ansatz unter Verwendung von perioperativen Daten wurde zur Vorhersage einer kontrastmittelinduzierten Enzephalopathie (CIE) nach neurointerventionellen Eingriffen evaluiert. Das Naive-Bayes-Modell zeigte die ausgewogenste deskriptive Leistung, und das Verhältnis von Kontrastmittelmenge zu eGFR (CGR) erwies sich als wichtiger prädiktiver Parameter für die individuelle Risikobewertung.

Zusammenfassung

CIE ist eine seltene, aber schwere Komplikation nach neurointerventionellen Eingriffen, für die zuverlässige nichtinvasive Vorhersagewerkzeuge weiterhin fehlen. Ziel dieser Studie war es, ein ML-Modell zur Vorhersage von CIE anhand perioperativer klinischer und prozeduraler Daten zu entwickeln und zu validieren sowie den prädiktiven Wert des CGR für CIE zu bewerten. Es handelte sich um eine einzentrische retrospektive Studie, in die konsekutiv 161 Patienten eingeschlossen wurden, die zwischen Januar 2024 und Dezember 2025 in der Abteilung für Neurochirurgie des Northern Theater General Hospital neurointerventionelle Eingriffe erhielten. Kandidaten für perioperative Prädiktoren von CIE wurden mittels univarianter Analyse in Kombination mit LASSO-Regression identifiziert. Basierend auf den ausgewählten Variablen wurden fünf ML-Modelle – Naive Bayes, Support-Vektor-Maschine (SVM), k-nächste Nachbarn (KNN), LightGBM und Multilayer-Perzeptron (MLP) – trainiert und optimiert. Die Modellleistung wurde umfassend anhand der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC) sowie mittels Entscheidungskurvenanalyse (DCA) bewertet. Unter den evaluierten Modellen zeigte das Naive-Bayes-Modell die günstigste deskriptive Leistung in der internen Teststichprobe mit einer AUC von 0,952 (95 % KI: 0,843–1,000), einer Sensitivität von 100 % und einer Spezifität von 90,3 %; diese Kennzahlen sollten jedoch mit Vorsicht interpretiert werden, da der Datensatz deutlich unausgeglichen war und die interne Testkohorte klein war und nur eine sehr begrenzte Anzahl von CIE-Ereignissen enthielt. Die DCA-Ergebnisse deuten auf einen potenziellen klinischen Nutzen über ausgewählte Schwellenwahrscheinlichkeiten hin. Die Analyse der Merkmalswichtigkeit ergab, dass CGR zu den am höchsten bewerteten Kandidatenprädiktoren gehörte, die mit dem CIE-Risiko in diesem Datensatz assoziiert waren. Das in dieser Studie evaluierte Naive-Bayes-Modell könnte einen vorläufigen Rahmen für die Risikostratifizierung bei der perioperativen Beurteilung von CIE nach neurointerventionellen Eingriffen bieten. CGR erwies sich als wichtiges prädiktives Merkmal und könnte bei der individuellen Risikostratifizierung helfen. Vor einer klinischen Anwendung ist eine weitere externe Validierung erforderlich.

Einleitung

In den letzten zwei Jahrzehnten haben minimalinvasive interventionelle Techniken das Behandlungsparadigma für zerebrovaskuläre Erkrankungen grundlegend verändert¹. Neurointerventionelle Eingriffe – aufgrund ihrer hohen Wirksamkeit und geringen Invasivität – sind zu wichtigen Behandlungsoptionen für ausgewählte zerebrovaskuläre Erkrankungen geworden². Doch mit zunehmender Komplexität der interventionellen Eingriffe steigen auch die Dosen der während der Prozeduren verwendeten Kontrastmittel, die Injektionsdrücke sowie die Dauer der Exposition gegenüber dem Kontrastmittel. Folglich stehen kontrastmittelassoziierte Komplikationen zunehmend im Fokus kritischer Betrachtung^3,4,5,6,7. Die kontrastinduzierte Enzephalopathie (CIE), eine akute, vorübergehende neurologische Funktionsstörung, die durch jodhaltige Kontrastmittel (ICM) ausgelöst wird, wird zunehmend als klinisch relevante Komplikation erkannt, insbesondere bei komplexen neurointerventionellen Eingriffen. Die typischen klinischen Manifestationen der CIE treten gewöhnlich innerhalb von Minuten bis 24 Stunden nach der Kontrastmittelexposition auf und umfassen Bewusstseinsstörungen (wie Somnolenz, Delirium oder Koma), kortikale Blindheit, fokale neurologische Defizite (wie Hemiparese oder Aphasie) sowie Anfälle^4,5,6. Obwohl die meisten CIE-Fälle selbstlimitierend sind und die Symptome sich typischerweise innerhalb von 48 bis 72 Stunden zurückbilden, können bei einigen Patienten anhaltende neurologische Beeinträchtigungen auftreten. Schwere Fälle können sogar zum Tod durch massives zerebrales Ödem führen^4,7. Diese Unvorhersehbarkeit der Outcome-Ergebnisse unterstreicht die dringende Notwendigkeit, ein zuverlässiges Instrument zur frühen Risikovorhersage im perioperativen Zeitraum zu entwickeln.

Da das Volumen klinischer Daten weiter zunimmt, werden traditionelle statistische Methoden zunehmend unzureichend, wenn sie mit hochdimensionalen medizinischen Daten umgehen müssen, die Multikollinearität aufweisen. Darüber hinaus versagen univariate Analysen oder einfache logistische Regressionsmodelle häufig bei der Erfassung komplexer, nichtlinearer Wechselwirkungen zwischen Variablen. Maschinelles Lernen (ML) bietet eine neue Dimension, um diese Herausforderungen zu bewältigen⁸. ML-Algorithmen – wie SVM, Gradient-Boosting-Maschinen (LightGBM) und MLP – können automatisch latente Muster in hochdimensionalen Merkmalsräumen identifizieren und nichtlineare Modelle mit starken Vorhersagefähigkeiten aufbauen^8,9,10,11. Allerdings wirft die „Black-Box“-Natur dieser Algorithmen, die sich durch mangelnde Interpretierbarkeit auszeichnet, während der Verfolgung von Vorhersagegenauigkeit häufig Bedenken hinsichtlich des Vertrauens in medizinische Entscheidungsfindung auf^12,13. Demgegenüber zeigt der Naive-Bayes-Algorithmus mit seiner einfachen probabilistischen Logik und inhärenten Interpretierbarkeit einzigartige Vorteile in klinischen Studien mit kleinen Stichprobenumfängen^14,15. Durch die Bewertung des Beitrags jeder Prädiktorvariable zur posteriori-Wahrscheinlichkeit des Ergebnisereignisses stellt das Naive-Bayes-Modell nicht nur eine zuverlässige Vorhersageleistung sicher, sondern liefert Ärzten auch intuitive Einblicke zur Entscheidungsunterstützung. Weiterhin führt die vorliegende Studie zur quantitativen Bewertung der Diskrepanz zwischen Kontrastmittelbelastung und individueller Clearance-Kapazität innovativ das Verhältnis von Kontrastmittel zu eGFR (CGR) als zentrales Merkmal ein. Bei Patienten mit geringerer renaler funktioneller Reserve können selbst moderate Dosen an Kontrastmittel zu extrem hohen CGR-Werten führen, was die Anfälligkeit für CIE erhöhen könnte. Das CGR könnte eine klinisch anschauliche, zusammengesetzte Kenngröße darstellen, die die Kontrastmittelbelastung und die renale Clearance-Kapazität integriert, obwohl sein zusätzlicher prädiktiver Wert weiterer Validierung bedarf. Durch die Einbindung dieses integrierten Biomarkers verfolgte die Studie das Ziel, einen Vorhersagerahmen zu entwickeln, der die pathophysiologische Realität genauer widerspiegelt.

Zusammenfassend zielte diese Studie darauf ab, ein auf maschinellem Lernen (ML) basierendes Vorhersagemodell für zerebrale ischämische Ereignisse (CIE) unter Verwendung perioperativer klinischer und prozeduraler Variablen zu entwickeln und zu validieren¹⁶. Die spezifischen Zielsetzungen umfassen: (1) die Einführung und Bewertung des CGR als explorativen zusammengesetzten Index; (2) den Aufbau und den Vergleich der Leistung von fünf ML-Modellen – Naive Bayes, SVM, KNN, LightGBM und MLP; sowie (3) die Identifizierung des optimalen Modells. Angesichts der begrenzten Anzahl an CIE-Ereignissen wurde der Modellvergleich als explorativ und hypothesengenerierend betrachtet. Letztlich könnte diese Studie einen vorläufigen Rahmen für die Risikostratifizierung von CIE in der neurointerventionellen Praxis liefern, sollte jedoch nicht ohne externe Validierung als eigenständiges Instrument für klinische Entscheidungen verwendet werden. Die konzeptionelle Grundlage des CGR und dessen Beziehung zur Kontrastmittelbelastung und renalen Clearance sind in Abbildung 1A dargestellt. Der gesamte Studienarbeitsablauf, einschließlich Daten-Vorverarbeitung, Aufteilung in Trainings- und Testdatensätze, Merkmalsauswahl und Modellentwicklung, ist in Abbildung 1B zusammengefasst. Der vergleichende Evaluierungsrahmen der fünf ML-Modelle wird in Abbildung 1C präsentiert.

Protokoll

Das Studienprotokoll wurde vom Ethikkomitee des Allgemeinen Krankenhauses des Nordtheaterkommandos überprüft und genehmigt (Genehmigungsnummer: Ethik Y (2026) 75). Obwohl die klinischen Daten von Patienten stammen, die zwischen Januar 2024 und Dezember 2025 behandelt wurden, wurde die vorliegende Studie als retrospektive Analyse bereits vorhandener klinischer Unterlagen durchgeführt. Die im Jahr 2026 erhaltene ethische Genehmigung umfasste die retrospektive Datenerhebung, Anonymisierung, Analyse und Veröffentlichung dieser zuvor gesammelten klinischen Daten. Es wurden keine prospektiven Interventionen oder Patientenrekrutierungen vor der ethischen Genehmigung durchgeführt. Die Anforderung einer schriftlichen informierten Einwilligung wurde aufgrund des retrospektiven Beobachtungsstudien-Designs aufgehoben. Alle Verfahren wurden gemäß der Deklaration von Helsinki durchgeführt, und alle klinischen Daten wurden vor der Analyse anonymisiert. Die vorliegende Analyse wurde als Teil eines genehmigten retrospektiven Forschungsprojekts zur neurointerventionellen klinischen Datenauswertung durchgeführt. Die für die unten beschriebenen Verfahren benötigten Materialien und Geräte sind in der Tabelle der Materialien zusammengefasst.

Patientenrekrutierung und Bestimmung der CIE

Möglicherweise berechtigte Patienten wurden identifiziert, indem das elektronische Krankenaktensystem nach Patienten durchsucht wurde, die zwischen Januar 2024 und Dezember 2025 in der Abteilung für Neurochirurgie des Allgemeinen Krankenhauses des Nordtheaterkommandos behandelt wurden. Die anfängliche Suche wurde durch Angaben zum Aufnahmedatum, zur Abteilung, zur Diagnose einer zerebrovaskulären Erkrankung und zu neurointerventionellen Verfahren eingeschränkt. Der detaillierte Ablauf zur Patientenrekrutierung und Zuteilung der Kohorte ist in Abbildung 2 dargestellt. Patienten kamen für die Einschlusskriterien in Betracht, wenn sie alle folgenden Kriterien erfüllten: (1) Alter zwischen 30 und 80 Jahren; (2) Diagnose einer zerebrovaskulären Erkrankung, die eine neurointerventionelle Beurteilung oder Behandlung erforderte; (3) vollständige klinische Unterlagen und Laborergebnisse vorhanden; und (4) postoperative Schädel-CT-Untersuchung innerhalb von 3 Tagen nach der Operation durchgeführt.

Patienten wurden ausgeschlossen, wenn sie unvollständige klinische oder bildgebende Daten aufwiesen, keine endovaskuläre Intervention erhielten, schwere präoperative neurologische Defizite hatten (modifizierter Rankin-Skala-Score ≥4), eine akute zerebrale Infarktion im präoperativen diffusionsgewichteten MRT zeigten, eine chronische Nierenerkrankung im Stadium G4 oder höher gemäß den Kriterien der Kidney Disease: Improving Global Outcomes (KDIGO) aufwiesen oder eine schwere kardiovaskuläre Erkrankung hatten. Die Einschluss- und Ausschlusskriterien wurden nacheinander angewendet. Nach der initialen elektronischen Suche wurde jeder Kandidaten-Datensatz manuell überprüft, um die Eignung zu bestätigen und gegebenenfalls den Ausschlussgrund zu dokumentieren. Nach der Selektion wurden die in Frage kommenden Patienten im Verhältnis 8:2 zufällig auf Trainings- und Testkohorte verteilt, bestehend aus einer Trainingskohorte (n = 128) und einer Testkohorte (n = 33). Es wurde eine geschichtete Zufallsstichprobe verwendet, um eine gleichmäßige Verteilung von CIE- und Nicht-CIE-Fällen zwischen den beiden Kohorten zu gewährleisten.

Die Diagnose einer CIE basierte hauptsächlich auf dem zeitlichen Zusammenhang zwischen dem Auftreten der Symptome und zerebrovaskulären interventionsmedizinischen Verfahren, kombiniert mit einer ausschließenden bildgebenden Beurteilung. Zwei unabhängige Spezialisten für zerebrovaskuläre Interventionen überprüften die postoperativen klinischen Befunde, den Zeitpunkt des Symptomenbeginns, neurologische Manifestationen sowie die postoperativen bildgebenden Ergebnisse bei allen Verdachtsfällen. Unstimmigkeiten wurden durch Diskussionen so lange geklärt, bis ein Konsens erreicht war. Patienten wurden als kompatibel mit einer CIE angesehen, wenn innerhalb von 24 Stunden nach Abschluss des neurointerventionellen Eingriffs neu aufgetretene kortikale Blindheit, Bewusstseinsstörungen (einschließlich Somnolenz, Delirium oder Koma), Krampfanfälle oder fokale neurologische Defizite wie Hemiparese oder Aphasie auftraten.

Nach dem Auftreten der Symptome wurden alternative Ursachen, die ähnliche neurologische Manifestationen hervorrufen können, durch die Beurteilung postoperativer CT- oder MRT-Bilder zusammen mit dem klinischen Verlauf ausgeschlossen. Die postoperative Schädel-CT wurde gemäß dem institutsüblichen nicht kontrastverstärkten Schädel-CT-Protokoll durchgeführt. Zu den wesentlichen Aufnahmeparametern gehörten eine Röhrenspannung von 80 kVp, ein Röhrenstrom von 260 mA, eine Schichtdicke von 0,5 mm und eine standardmäßige axiale Rekonstruktion. Die Bilder wurden von erfahrenen Ärzten in den Fenstereinstellungen für Gehirn und Knochen beurteilt. Bei der Differenzialdiagnose wurden akute intrakranielle Blutung, subarachnoidale Blutung, intrazerebrale Blutung, neu aufgetretene großflächige zerebrale Infarkte, anfallsassoziierte Veränderungen, Infektionen und metabolische Störungen berücksichtigt. Postsymptomatische CT-Untersuchungen zeigten typischerweise fokale oder diffuse zerebrale Ödeme sowie dichte Schatten im kortikalen, subkortikalen Bereich oder im subarachnoidalen Raum, die hämorrhagische Läsionen imitierten. MRT-Befunde zeigen gewöhnlich eine kortikale Schwellung, insbesondere im Bereich der Temporo-Parieto-Okzipital-Kortex. Bei einigen Patienten zeigten CT- oder MRT-Untersuchungen jedoch keine offensichtlichen Auffälligkeiten, obwohl die klinischen Manifestationen entsprechend waren.

Erhebung perioperativer Variablen und Konstruktion der CGR

Allgemeine demografische Daten, einschließlich Alter, Geschlecht und Körpergewicht, wurden aus strukturierten Feldern des elektronischen Krankenakten-Systems extrahiert. Variablen zur klinischen Anamnese, darunter Rauchgeschichte, Alkoholkonsumgeschichte, Hypertonie, Diabetes mellitus und koronare Herzkrankheit, wurden aus Eintrittsnotizen, vorangegangenen medizinischen Anamnesen und Entlassungsdiagnosen entnommen und auf Konsistenz überprüft. Laborwerte wurden aus dem Laborinformationssystem extrahiert. Für jeden Patienten wurde die erste venöse Blutprobe verwendet, die nach der Aufnahme und vor dem neurointerventionellen Eingriff entnommen wurde. Zu den extrahierten Laborvariablen gehörten Serumkreatinin, die geschätzte glomeruläre Filtrationsrate (eGFR), Gesamtcholesterin und Triglyceridspiegel. Die eGFR wurde anhand der Gleichung der Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI), die auf Kreatinin basiert, berechnet und dem Laborinformationssystem des Krankenhauses entnommen.

Da die Verfahrenskomplexität, die Exposition gegenüber Kontrastmittel und die Läsionslage die Blut-Hirn-Schranke und die Retention von Kontrastmittel während neurointerventioneller Eingriffe beeinflussen können, wurden auch perioperative Verfahrensvariablen in das Vorhersagemodell einbezogen. Zu den verfahrensbezogenen Variablen gehörten die Läsionslage, der Eingriffstyp, die Dauer des Eingriffs, der Typ des Kontrastmittels und das gesamte Kontrastmittelvolumen. Die Läsionslage und der Eingriffstyp wurden anhand der Operationsberichte und angiographischen Aufzeichnungen bestimmt. Die Dauer des Eingriffs wurde als Zeit von der arteriellen Punktion bis zum Abschluss des neurointerventionellen Eingriffs definiert. Das gesamte Kontrastmittelvolumen wurde als kumulatives Volumen des verabreichten jodhaltigen Kontrastmittels vom Beginn bis zum Ende des Eingriffs definiert. Die in dieser Studie verwendeten Kontrastmittel waren nichtionische IKM, darunter Iodixanol (320 mg Jod/mL), die gemäß der klinischen Praxis des Instituts verabreicht wurden. Alle in diese Studie eingeschlossenen neurointerventionellen Eingriffe wurden unter digitaler Subtraktionsangiographie-Begleitung durch ein erfahrenes neurointerventionelles Team am Studienzentrum durchgeführt. Alle Eingriffe wurden über den transfemoralen arteriellen Zugang vorgenommen. Während des Eingriffs erhielten die Patienten eine intraoperative Antikoagulation mit Heparin, und die aktivierte Gerinnungszeit wurde im Zielbereich von 250–300 s aufrechterhalten. Die Vitalzeichen wurden während des gesamten Eingriffs kontinuierlich überwacht.

Therapeutische Eingriffe, einschließlich Embolisation von Aneurysmen, Angioplastie und Stent-Platzierung, wurden entsprechend den Läsionscharakteristika und dem Ermessen des Operateurs durchgeführt. Entsprechende Mikrokatheter, Coils, Stents oder Ballons wurden je nach den Anforderungen des Eingriffs ausgewählt. Während der angiographischen Bildgebung und Intervention wurden Kontrastmittel entweder mittels Hochdruckinjektion oder manueller Infusion mit konstanter Rate verabreicht. Art des Kontrastmittels und Gesamtkontrastmittelvolumen wurden aus den Prozedurakten entnommen und, sofern verfügbar, mit den Aufzeichnungen der Anästhesie oder Pflegepersonal abgeglichen. Akten mit widersprüchlichen oder unvollständigen Angaben zum Kontrastmittelvolumen wurden vor der Aufnahme in den endgültigen analytischen Datensatz manuell überprüft.

Alle verfahrensbezogenen Variablen, einschließlich der Verfahrensdauer, des Typs therapeutischer Interventionen, der Gerätenutzung und der Aufzeichnungen zur Kontrastmittelverabreichung, wurden systematisch überprüft und hinsichtlich Vollständigkeit und Konsistenz vor der Analyse verifiziert. Um die Dysbalance zwischen Kontrastmittelbelastung und renaler Ausscheidungskapazität quantitativ zu bewerten, wurde das CGR als zentrale prädiktive Variable festgelegt und gemäß der folgenden Gleichung berechnet:

(1)

Das gesamte Kontrastmittelvolumen wurde in mL erfasst und das eGFR in mL/min/1,73 m². Der für die CGR-Berechnung verwendete eGFR-Wert war der präoperative eGFR-Wert, der aus der ersten venösen Blutprobe nach der Aufnahme und vor dem neurointerventionellen Eingriff gewonnen wurde. Für jeden Patienten wurde das CGR berechnet, nachdem sowohl das gesamte Kontrastmittelvolumen als auch das eGFR überprüft worden waren. Der Zähler entsprach dem gesamten Kontrastmittelvolumen in mL, der Nenner dem eGFR in mL/min/1,73 m². Dieselbe Berechnungsregel wurde auf alle Patienten vor der Modellentwicklung angewandt.

Merkmalsauswahl und ML-Workflow

Um die analytische Robustheit sicherzustellen, wurden alle klinischen und laborbezogenen Variablen vor der Analyse systematischen Qualitätskontrollverfahren unterzogen. Der Anteil fehlender Daten wurde für jede Kandidatenvariable vor der Modellerstellung berechnet. Im endgültigen analytischen Datensatz wurden keine fehlenden Werte bei den eingeschlossenen Prädiktoren oder Ergebnisvariablen beobachtet; daher wurde keine Variable aufgrund fehlender Werte ausgeschlossen, und eine multiple Imputation war nicht erforderlich. Die detaillierte Zusammenfassung der fehlenden Daten ist in Supplementary Table 1 enthalten.

Alle in Frage kommenden Prädiktorvariablen wurden zunächst mittels univariater Analysen hinsichtlich ihres Zusammenhangs mit dem Auftreten von CIE bewertet. Die statistischen Methoden wurden entsprechend den Verteilungseigenschaften der Daten ausgewählt. Variablen mit normaler Verteilung wurden als Mittelwert ± Standardabweichung angegeben und mit dem t-Test für unabhängige Stichproben verglichen. Variablen mit nichtnormaler Verteilung wurden als Median (Interquartilsabstand, IQR) dargestellt und mit dem Mann-Whitney-U-Test analysiert. Kategoriale Variablen wurden als Häufigkeiten und Prozentanteile angegeben und mittels Chi-Quadrat-Test oder exaktem Fisher-Test analysiert. Eine statistische Signifikanz wurde bei p < 0,05 festgelegt.

Der gesamte Datensatz wurde vor der Modellentwicklung zufällig im Verhältnis 8:2 in Trainings- und Testkohorten aufgeteilt. Um Überanpassung zu minimieren und Multikollinearität zu reduzieren, wurde eine Regression mit der Methode der kleinsten absoluten Schrumpfung und Auswahl (LASSO) in Kombination mit einer 10-fachen Kreuzvalidierung zur Merkmalsauswahl angewandt. Die Merkmalsauswahl, die Optimierung der Hyperparameter sowie die Modellentwicklung erfolgten ausschließlich anhand der Trainingskohorte, um Datenlecks zu vermeiden. Die interne Testkohorte wurde während der Imputationsparameter-Schätzung, Merkmalsauswahl, Hyperparameter-Optimierung oder Modelltrainierung nicht verwendet und erst ein einziges Mal zur abschließenden Leistungsbewertung herangezogen. Die Hyperparameter-Optimierung wurde mittels einer Gitter-Suchstrategie mit 10-facher Kreuzvalidierung innerhalb der Trainingskohorte durchgeführt. Konkret wurde die Trainingskohorte zufällig in 10 sich gegenseitig ausschließende Teilmengen unterteilt. In jeder Iteration dienten neun Teilmengen zum Modelltraining, während die verbleibende Teilmenge zur Validierung genutzt wurde. Dieser Vorgang wurde 10-mal wiederholt, um sicherzustellen, dass jede Teilmenge genau einmal als Validierungskohorte diente.

Alle computergestützten Analysen wurden in einer Python-Umgebung durchgeführt. Die Entwicklung und Bewertung der ML-Modelle erfolgte mit scikit-learn. Die Analyse-Skripte für die Datenvorverarbeitung, Merkmalsauswahl, Modelltraining, Leistungsbewertung und DCA wurden als ergänzende Code-Dateien bereitgestellt. Für die Modellimplementierung wurden die aus der LASSO-Regression ausgewählten Merkmale als Eingabevariablen für alle Kandidaten-Klassifikatoren verwendet. Stetige Variablen wurden mittels z-Score-Normalisierung innerhalb des Trainingskollektivs standardisiert, und dieselben Skalierungsparameter wurden auf das interne Testkollektiv angewandt. Kategoriale Variablen wurden gemäß dem vordefinierten Kodierungsschema codiert; die Variablendefinitionen und das Kodierungsschema sind in Supplementary Table 2 angegeben. Fünf Klassifikatoren wurden implementiert: Gaussian Naive Bayes, SVM, KNN, LightGBM und MLP. Bei SVM wurden der Kernel-Typ, der Regularisierungsparameter C und der Kernel-Koeffizient gamma optimiert. Bei KNN wurden die Anzahl der Nachbarn und die Distanzgewichtungsstrategie angepasst. Bei LightGBM wurden die Anzahl der Schätzer, die Lernrate, die maximale Baumtiefe und die Anzahl der Blätter optimiert. Bei MLP wurden die Struktur der versteckten Schichten, die Aktivierungsfunktion, der Regularisierungsparameter und die Lernrate angepasst. Gaussian Naive Bayes wurde mit der vorgegebenen Varianzglättungseinstellung implementiert. Die optimale Kombination der Hyperparameter für jedes Modell wurde basierend auf der Kreuzvalidationsleistung innerhalb des Trainingskollektivs ausgewählt. Die endgültig optimierten Hyperparameterkombinationen, die für jedes Modell gewählt wurden, sind in Supplementary Table 3 zusammengefasst. Nach der Hyperparameterauswahl wurde jedes finale Modell erneut auf dem gesamten Trainingskollektiv trainiert und anschließend einmalig im internen Testkollektiv evaluiert.

Vergleiche der Modellleistung

Basierend auf den ausgewählten Prädiktoren wurden fünf ML-Modelle entwickelt und miteinander verglichen. Die Modellleistung wurde sowohl in der Trainings- als auch in der Testkohorte anhand der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC), des 95 %-Konfidenzintervalls (95 % CI), der Sensitivität, Spezifität und Genauigkeit bewertet. Receiver-Operating-Characteristic-Kurven wurden erstellt, um die diskriminative Leistung der verschiedenen Modelle zu vergleichen. Der optimale Klassifizierungsschwellenwert für jedes Modell wurde ausschließlich anhand der Trainingskohorte unter Verwendung des Youden-Index bestimmt. Der ermittelte Schwellenwert wurde anschließend fixiert und unverändert auf die interne Testkohorte angewandt, um schwellenwertabhängige Leistungsmetriken zu berechnen.

Decision-Curve-Analyse

Die DCA wurde durchgeführt, indem der Nettovorteil jedes Modells über einen Bereich von Schwellenwahrscheinlichkeiten berechnet und die modellbasierte Strategie mit zwei Standardstrategien verglichen wurde: Behandlung aller Patienten und Behandlung keiner Patienten. Die DCA wurde gewählt, weil sie eine gleichzeitige Beurteilung der Diskriminierungsleistung und der potenziellen klinischen Anwendbarkeit in situationsbezogenen perioperativen Entscheidungssituationen ermöglicht. Zur Verbesserung der Reproduzierbarkeit wurde der gesamte Arbeitsablauf in der folgenden Reihenfolge durchgeführt: Identifizierung der Patienten aus dem elektronischen Krankenakten-System, Anwendung der Einschluss- und Ausschlusskriterien, Beurteilung der CIE durch zwei unabhängige Fachärzte, Extraktion und Gegenprüfung der demografischen, anamnestischen, laborchemischen und verfahrensbezogenen Variablen, Berechnung der CGR, Bewertung fehlender Daten sowie Aufteilung in Trainings- und Testkohorte, Merkmalsauswahl basierend auf LASSO innerhalb der Trainingskohorte, Optimierung der Hyperparameter mittels 10-facher Kreuzvalidierung, erneutes Anpassen des endgültigen Modells an die vollständige Trainingskohorte, interne Evaluierung an der Testkohorte, leistungsbezogene Bewertung basierend auf der ROC-Kurve, Bestimmung des Schwellenwerts nach dem Youden-Index und DCA.

Ergebnisse

Rekrutierung der Patienten und Bestimmung der CIE

Insgesamt wurden 161 Patienten, die sich neurointerventionellen Eingriffen unterzogen hatten, in diese Studie eingeschlossen, von denen 12 (7,5 %) eine CIE entwickelten, während 149 (92,5 %) keine CIE aufwiesen. Der detaillierte Prozess zur Patientenrekrutierung und Gruppeneinteilung ist in Abbildung 2 dargestellt. Die Diagnose einer CIE basierte auf dem zeitlichen Zusammenhang zwischen Symptombeginn und den neurointerventionellen Eingriffen, kombiniert mit ausschließenden bildgebenden Befunden. Repräsentative neurobildgebende Befunde einer CIE sind in Abbildung 3A–D gezeigt.

Die basissoziodemografischen, klinischen, laborchemischen und prozeduralen Merkmale der beiden Gruppen sind in Tabelle 1 zusammengefasst. Es wurden keine signifikanten Unterschiede zwischen den CIE- und Nicht-CIE-Gruppen hinsichtlich Alter, Geschlechtsverteilung oder Körpergewicht beobachtet (alle p > 0,05). Ebenso unterschied sich die Prävalenz häufiger Komorbiditäten, einschließlich Hypertonie, Diabetes mellitus und koronarer Herzkrankheit, nicht signifikant zwischen den beiden Gruppen (alle p > 0,05). Auch lebensstilbezogene Faktoren wie Alkoholkonsum und Raucherstatus waren vergleichbar.

Im Gegensatz dazu zeigten mehrere labor- und verfahrensbezogene Variablen signifikante Unterschiede zwischen den beiden Gruppen. Patienten in der CIE-Gruppe wiesen im Vergleich zu denen in der Nicht-CIE-Gruppe signifikant höhere Serumkreatininwerte auf (Median: 85,2 vs. 65,3 µmol/L, p = 0,004), während ihr eGFR signifikant niedriger war (Median: 81 vs. 102,7 mL/min/1,73 m², p < 0,001). Hinsichtlich der verfahrensbezogenen Merkmale waren Embolisationen in der CIE-Gruppe signifikant häufiger als in der Nicht-CIE-Gruppe (41,7 % vs. 2,0 %, p < 0,001). Außerdem traten Läsionen der hinteren Zirkulation bei Patienten, die eine CIE entwickelten, signifikant häufiger auf (58,3 % vs. 6,0 %, p < 0,001). Hinsichtlich der Art des verwendeten Kontrastmittels zeigte sich kein signifikanter Unterschied zwischen den beiden Gruppen (p = 0,982). Darüber hinaus erhielten Patienten der CIE-Gruppe während des Eingriffs ein signifikant größeres Volumen an Kontrastmittel (Median: 200,0 vs. 165,0 mL, p = 0,005) und hatten längere Verfahrensdauern (Median: 78,5 vs. 50,0 min, p = 0,008). Bemerkenswerterweise war der CGR, ein zusammengesetzter Index, der in dieser Studie vorgeschlagen wurde, in der CIE-Gruppe im Vergleich zur Nicht-CIE-Gruppe signifikant höher (Median: 2,35 vs. 1,63, p < 0,001), was auf eine starke Assoziation zwischen CGR und dem Auftreten einer CIE hinweist.

Erhebung perioperativer Variablen und Konstruktion der CGR

Perioperative demografische, laborchemische und prozedurale Variablen wurden systematisch erfasst und wie im Protokoll beschrieben analysiert. Unter diesen Variablen wurde das CGR, definiert als das Verhältnis des gesamten Kontrastmittelvolumens zur eGFR, als zusammengesetzter Indikator konstruiert, der das Gleichgewicht zwischen Kontrastmittelexposition und renaler Clearance-Kapazität widerspiegelt. Das CGR war in dieser Kohorte mit dem Auftreten von CIE assoziiert und wurde als Kandidatenprädiktor in die Analysen zur Merkmalsauswahl und Modellentwicklung einbezogen. Um das CGR mit seinen einzelnen Komponenten zu vergleichen, führten wir eine vergleichende ROC-Analyse unter Verwendung von CGR, gesamtem Kontrastmittelvolumen und eGFR durch. Das CGR zeigte die höchste Diskriminationsfähigkeit für CIE mit einer AUC von 0,959 (95 % CI: 0,924–0,985) im Vergleich zum gesamten Kontrastmittelvolumen (AUC = 0,745, 95 % CI: 0,559–0,886) und zur eGFR, die in umgekehrter Risikorichtung analysiert wurde (AUC = 0,865, 95 % CI: 0,764–0,951). Die Differenz der AUC zwischen CGR und gesamtem Kontrastmittelvolumen betrug 0,214, und die Differenz zwischen CGR und eGFR betrug 0,093. Detaillierte Ergebnisse sind in Supplementary Table 4 enthalten.

Merkmalsauswahl und ML-Workflow

Um die relevantesten Prädiktoren zu identifizieren und gleichzeitig Multikollinearität zu minimieren, wurde eine LASSO-Regression mit 10-facher Kreuzvalidierung auf die Kandidatenvariablen angewandt. Das Koeffizientenprofil und die Kreuzvalidierungskurven des LASSO-Modells sind in Abbildung 4A bzw. Abbildung 4B dargestellt. Die Rangfolge der LASSO-Koeffizienten des endgültigen Modells ist in Abbildung 5 dargestellt. Bei dem optimalen λ-Wert blieb eine Teilmenge von Variablen erhalten, darunter CGR, Verfahrenstyp, Läsionslokalisation, Triglyceridspiegel, Serumkreatinin, eGFR und mehrere klinische Kovariaten. Die quantitative Rangfolge der beibehaltenen Prädiktoren basierend auf den LASSO-Koeffizienten ist in ergänzender Tabelle 5 angegeben.

Vergleiche der Modellleistung

Fünf ML-Ansätze – Naive Bayes, SVM, KNN, LightGBM und MLP – wurden zur Vorhersage des CIE-Risikos entwickelt. Ihre Leistung in den Trainings- und Testdatensätzen ist in Tabelle 2 zusammengefasst, der Genauigkeitsvergleich der fünf Modelle wird in Abbildung 6 dargestellt, und die entsprechenden Konfusionsmatrizen sind in ergänzender Abbildung 1, ergänzender Abbildung 2, ergänzender Abbildung 3, ergänzender Abbildung 4 und ergänzender Abbildung 5 enthalten. Da der Datensatz deutlich unausgeglichen war – mit 12 CIE-Fällen und 149 Nicht-CIE-Fällen – sollten Genauigkeit und schwellenwertbasierte Metriken vorsichtig interpretiert und zusammen mit Sensitivität, Spezifität, AUC und Konfidenzintervallen betrachtet werden. Im Trainingsdatensatz zeigten alle Modelle eine gute Diskriminationsfähigkeit, wobei die AUC-Werte zwischen 0,961 und 0,999 lagen. Im internen Testdatensatz wies das Naive-Bayes-Modell den höchsten numerischen Wert auf (AUC = 0,952, 95 % KI: 0,843–1,000), gefolgt von LightGBM (AUC = 0,944, 95 % KI: 0,822–1,000) und SVM (AUC = 0,935, 95 % KI: 0,796–1,000).

Bei der durch den Youden-Index bestimmten optimalen Klassifizierungsschwelle ergab das Naive-Bayes-Modell eine Sensitivität von 100 % und eine Spezifität von 90,3 %. Da keine formellen paarweisen statistischen Vergleiche zwischen den AUCs der Modelle durchgeführt wurden, sollten die beobachteten Unterschiede zwischen den Modellen als beschreibend und explorativ interpretiert werden. Zudem sollten schwellenwertbasierte Kennzahlen wie Sensitivität und Spezifität aufgrund des deutlich unausgeglichenen Datensatzes und der geringen Größe der internen Testkohorte mit nur einer sehr begrenzten Anzahl an CIE-Ereignissen als instabil angesehen und vorsichtig interpretiert werden. Die Receiver-Operating-Characteristic-(ROC)-Kurven des Naive-Bayes-Modells für den Trainings- und Testdatensatz sind in Abbildung 7 dargestellt.

Obwohl das MLP-Modell im Trainingsdatensatz gut abschnitt (AUC = 0,961), verschlechterte sich seine Leistung im Testdatensatz deutlich (AUC = 0,742), was auf eine mögliche Überanpassung hindeutet. Ähnlich zeigte das KNN-Modell im Testdatensatz eine begrenzte Diskriminationsfähigkeit (AUC = 0,718) mit einem breiten Konfidenzintervall, was auf Instabilität hinweist. Die auf dem Youden-Index basierende Strategie wurde verwendet, um den optimalen Klassifizierungsschwellenwert für schwellenwertabhängige Metriken zu bestimmen, einschließlich Sensitivität, Spezifität und Genauigkeit. Die ROC-AUC-Werte selbst sind schwellenwertunabhängig. Daher spiegeln die berichteten schwellenwertabhängigen Leistungsmetriken das Modellverhalten am optimalen Betriebspunkt wider. Die optimalen Youden-Schwellenwerte und die entsprechenden schwellenwertbasierten Metriken sind in ergänzender Tabelle 6 angegeben. Insgesamt zeigte das Naive-Bayes-Modell zwischen Trainings- und interner Testmenge eine relativ stabile deskriptive Leistung mit nur geringfügigem numerischem Rückgang der AUC.

Analyse der Entscheidungskurve

Die DCA wurde durchgeführt, um die klinische Nützlichkeit der Modelle über einen Bereich von Schwellenwahrscheinlichkeiten hinweg zu bewerten. Die DCA-Kurven sind in Abbildung 8 dargestellt. Alle Modelle zeigten einen positiven Nettovorteil über bestimmte Bereiche von Schwellenwahrscheinlichkeiten im Vergleich zu den Strategien „alle behandeln“ und „keinen behandeln“. Unter den evaluierten Modellen wies SVM den breitesten Bereich an positivem Nettovorteil auf, während die anderen Modelle innerhalb bestimmter Schwellenbereiche ebenfalls ein potenzielles klinisches Nutzen zeigten.

VERFÜGBARKEIT VON DATEN:

Die zur Unterstützung der Hauptanalysen verwendeten anonymisierten Rohdaten wurden auf GitHub hochgeladen und sind verfügbar unter: https://doi.org/10.5281/zenodo.20043331. Alle direkten Patientenkennungen wurden vor der Datenweitergabe entfernt. Da es sich um eine retrospektive klinische Studie auf Grundlage von Krankenakten handelte, ist der Zugang zu weiteren patientenbezogenen Informationen durch institutionelle ethische und Datenschutzvorgaben eingeschränkt. Weitere anonymisierte Daten können auf begründete Anfrage vom entsprechenden Autor zur Verfügung gestellt werden, sofern die zuständige institutionelle Ethikkommission ihre Genehmigung erteilt. Die Skripte für die statistische Analyse, der Code zur Schulung des ML-Modells sowie der Code zur Erstellung der Abbildungen wurden als ergänzende Dateien bereitgestellt, um die Reproduzierbarkeit zu unterstützen.

Abbildung 1: Arbeitsablauf der CIE-Risikomodellierung basierend auf perioperativen Daten. (A) Mechanismen der CIE und Herleitung des Kontrastmittelvolumen-zu-eGFR-Verhältnisses (CGR). (B) Datenintegration und auf LASSO basierende Merkmalsauswahl. (C) Entwicklung und Vergleich von ML-Modellen, wobei Naive Bayes im internen Testdatensatz die höchste numerische AUC aufwies (AUC ≈ 0,95). Abkürzungen: CIE = kontrastmittelinduziertes Enzephalopathie; CGR = Kontrastmittelvolumen-zu-eGFR-Verhältnis; eGFR = geschätzte glomeruläre Filtrationsrate; AUC = Fläche unter der Kurve. Die Abbildung basiert auf klinischen Daten der Autoren; die schematische Darstellung wurde ursprünglich von den Autoren unter Verwendung modifizierter Microsoft-PowerPoint-Symbole erstellt. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Abbildung 2: Patientenauswahl und Kohortenzuordnung. Flussdiagramm zur Veranschaulichung der Patientenscreening, der Beurteilung der Eignung, der Ausschlusskriterien und der Zuweisung zu den Kohorten. Insgesamt wurden 225 Patienten zunächst bewertet. Nach Anwendung der Einschlusskriterien, darunter ein Alter zwischen 30 und 80 Jahren, Verfügbarkeit vollständiger klinischer Daten sowie eine postoperative Schädel-CT innerhalb von 3 Tagen, waren 190 Patienten geeignet. Die Patienten wurden ausgeschlossen aufgrund akuter zerebraler Infarktion, chronischer Nierenerkrankung Stadium ≥ G4 (eGFR < 30 mL/min/1.73 m²), schwerer kardiovaskulärer Erkrankung, fehlender endovaskulärer Therapie, schwerer neurologischer Defizite (modifizierter Rankin-Skala-Score ≥ 4) oder unvollständiger Daten. Schließlich wurden 161 Patienten eingeschlossen und im Verhältnis 8:2 zufällig auf die Trainingskohorte (n = 128) und die interne Testkohorte (n = 33) verteilt. Abkürzungen: CT = computertomographie; eGFR = geschätzte glomeruläre Filtrationsrate; CKD = chronische Nierenerkrankung; mRS = modifizierte Rankin-Skala. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 3: Serie von Nativ-CT-Bildern bei einem Patienten mit CIE. (A) Basis-CT vor dem Eingriff. (B) CT zum Zeitpunkt des Symptombeginns mit kortikaler Hyperdichte im rechten Parietallappen (Pfeil). (C) CT am ersten postoperativen Tag mit teilweiser Rückbildung. (D) CT am zweiten postoperativen Tag mit weiterer Rückbildung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4: LASSO-basierte Merkmalsauswahl. (A) Zehnfache Kreuzvalidierungskurve zur Bestimmung des optimalen λ basierend auf dem minimalen MSE. (B) Koeffizientenprofile der Kandidatenvariablen, aufgetragen gegen log(λ), die die Veränderungen der Variablenkoeffizienten mit zunehmender Regularisierungsstärke zeigen. Abkürzungen: LASSO = least absolute shrinkage and selection operator; λ = Regularisierungsparameter; MSE = mittlerer quadratischer Fehler. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 5: Koeffizienten ausgewählter Variablen. Balkendiagramm der Koeffizienten der Variablen, die nach der LASSO-Auswahl beibehalten wurden. Positive Koeffizienten weisen auf einen positiven Zusammenhang hin; negative Koeffizienten weisen auf einen umgekehrten Zusammenhang hin. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 6: Trainings- und Testgenauigkeit der fünf ML-Modelle. Genauigkeit von fünf ML-Modellen (Naive Bayes, SVM, KNN, LightGBM, MLP) in Trainings- und Testdatensätzen. Abkürzungen: SVM = Support Vector Machine; KNN = k-nächste Nachbarn; LightGBM = Light Gradient Boosting Machine; MLP = Multilayer-Perzeptron. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 7: ROC-Kurven des Naive-Bayes-Modells. Empfänger-Charakteristik-Kurven (ROC) für die Trainings- und interne Testkohorte mit entsprechenden Flächen unter der Kurve (AUC). Abkürzungen: ROC = Empfänger-Charakteristik; AUC = Fläche unter der Kurve. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 8: Entscheidungskurvenanalyse. DCA, die den Nettovorteil verschiedener Modelle über verschiedene Schwellenwahrscheinlichkeiten hinweg im Vergleich zu den Strategien „alle behandeln“ und „keinen behandeln“ zeigt. Die schraffierten Bereiche geben die Bereiche der Schwellenwahrscheinlichkeit an, bei denen das Modell im Vergleich zu beiden Strategien („alle behandeln“ und „keinen behandeln“) einen positiven Nettovorteil erzielte. Abkürzungen: DCA = Entscheidungskurvenanalyse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 1, Zusatzmaterial: Konfusionsmatrix des Naive-Bayes-Modells in der internen Testkohorte. Die Matrix zeigt die Anzahlen korrekt und inkorrekt klassifizierter Proben am ausgewählten Klassifizierungsschwellenwert an.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Abbildung 2, Zusatzmaterial: Konfusionsmatrix des SVM-Modells in der internen Testkohorte. Die Matrix zeigt die Anzahl der korrekt und inkorrekt klassifizierten Proben am ausgewählten Klassifizierungsschwellenwert an.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Abbildung 3: Konfusionsmatrix des KNN-Modells in der internen Testkohorte. Die Matrix zeigt die Anzahl der korrekt und inkorrekt klassifizierten Proben an dem gewählten Klassifizierungsschwellenwert an.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Abbildung 4 (zusätzlich): Konfusionsmatrix des LightGBM-Modells in der internen Testkohorte. Die Matrix zeigt die Anzahlen korrekt und inkorrekt klassifizierter Proben an dem gewählten Klassifizierungsschwellenwert an.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Abbildung 5, Zusatzmaterial: Konfusionsmatrix des MLP-Modells in der internen Testkohorte. Die Matrix zeigt die Anzahlen korrekt und inkorrekt klassifizierter Proben an dem ausgewählten Klassifizierungsschwellenwert an.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Merkmale	CIE (n = 12)	Nicht-CIE (n = 149)	p-Wert
Demografie
Alter (Jahre), Median (IQR)	67 (62,5–69,0)	63 (55,0–70,0)	0,194
Männlich, n (%)	9 (75,0)	105 (70,5)	1,000
Gewicht (kg), Median (IQR)	65 (55,0–70,0)	70 (60,0–77,5)	0,160
Komorbiditäten, n (%)
Bluthochdruck	7 (58,3)	102 (68,5)	0,526
Diabetes	4 (33,0)	57 (38,3)	1,000
Koronare Herzkrankheit	2 (16,7)	23 (15,4)	1,000
Lebensgewohnheiten, n (%)
Alkoholkonsum	7 (58,3)	78 (52,3)	0,770
Raucherstatus	7 (58,3)	59 (39,6)	0,233
Laborwerte, Median (IQR)
Serumkreatinin (μmol/L)	85,2 (65,0–89,0)	65,3 (54,9–75,7)	0,004
eGFR (mL/min/1,73 m²)	81,0 (60,6–90,3)	102,7 (89,0–116,3)	<0,001
Gesamtcholesterin (mmol/L)	3,3 (3,0–4,4)	3,4 (2,9–4,1)	0,775
Triglyceride (mmol/L)	1,8 (1,2–2,1)	1,2 (0,8–1,6)	0,017
Prozedurale Merkmale
Prozedurtyp, n (%)			<0,001
- Stent-Angioplastie	7 (58,3)	146 (98,0)
- Embolisation	5 (41,7)	3 (2,0)
Läsionslokalisation, n (%)			<0,001
- Hinterer Kreislauf	7 (58,3)	9 (6,0)
- Vorderer Kreislauf	5 (41,7)	140 (94,0)
Art des Kontrastmittels, n (%)			0,982
- 2. Generation	6 (50,0)	75 (50,3)
- 3. Generation	6 (50,0)	74 (49,7)
Gesamtvolumen Kontrastmittel (mL), Median (IQR)	200 (188,0–200,0)	165 (155,0–180,0)	0,005
Prozedurdauer (min), Median (IQR)	78,5 (52,5–124,5)	50 (47,0–57,0)	0,008
Neuer Index
CGR, Median (IQR)	2,35 (2,17–2,70)	1,63 (1,40–1,85)	<0,001

Tabelle 1: Baseline-klinische Merkmale der Patienten. Demografische, klinische, laborchemische und verfahrensbezogene Merkmale der Patienten wurden zwischen den CIE- und Nicht-CIE-Gruppen verglichen. Stetige Variablen sind als Mittelwert ± Standardabweichung oder Median (Interquartilabstand) angegeben, kategoriale Variablen als Anzahl und Prozentsatz. Statistische Vergleiche zwischen den Gruppen wurden mithilfe geeigneter parametrischer oder nichtparametrischer Tests durchgeführt. Abkürzungen: CIE = kontrastmittelinduzierte Enzephalopathie; eGFR = geschätzte glomeruläre Filtrationsrate; CGR = Kontrastmittelvolumen-zu-eGFR-Verhältnis; IQR = Interquartilabstand; SD = Standardabweichung.

Modell -Name	Genauigkeit	AUC	95 % KI	Sensitivität	Spezifität	Datensatz
Naive Bayes	0.875	0.961	0.924–0.998	1,0	0.864	train
Naive Bayes	0.909	0.952	0.843–1.000	1,0	0.903	test
SVM	0.992	0.999	0.997–1.000	1,0	0.992	train
SVM	0.879	0.935	0.796–1.000	1,0	0.871	test
KNN	0.891	0.969	0.941–0.997	1,0	0.881	train
KNN	0.939	0.718	0.194–1.000	0,5	0.968	test
LightGBM	0.969	0.988	0.973–1.000	1,0	0.966	train
LightGBM	0.848	0.944	0.822–1.000	1,0	0.839	test
MLP	0.914	0.961	0.908–1.000	0,9	0.915	train
MLP	0.970	0.742	0.228–1.000	0,5	1.000	test

Tabelle 2: Vergleich der Leistung der Modelle. Die Vorhersageleistung verschiedener ML-Modelle wurde anhand von Genauigkeit, Fläche unter der Kurve (AUC), 95 % Konfidenzintervall (KI), Sensitivität und Spezifität in den Trainings- und internen Testdatensätzen bewertet. Abkürzungen: KI = Konfidenzintervall.

Erweiterte Tabelle 1: Zusammenfassung der Bewertung fehlender Daten vor der Modellentwicklung. Zusammenfassung der fehlenden Werte für alle in Frage kommenden Prädiktorvariablen vor der Modellentwicklung. Bei den eingeschlossenen Variablen wurden keine fehlenden Werte beobachtet; daher wurde kein Imputationsverfahren durchgeführt.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 2: Variablenverzeichnis des analytischen Datensatzes. Definitionen, Kodiermethoden, Variablenkategorien und Beschreibungen der klinischen, laborbezogenen und verfahrensbezogenen Variablen, die in die ML-Analyse einbezogen wurden.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 3: Suchraum für Hyperparameter und ausgewählte Parameter für ML-Modelle. Zusammenfassung der in Betracht gezogenen Hyperparameterbereiche und der optimierten Parameter, die während der Modellabstimmung für jeden ML-Algorithmus ermittelt wurden.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 4: Vergleichende ROC-Analyse von CGR und seinen einzelnen Komponenten. Es wurde eine Receiver-Operating-Characteristic-Analyse durchgeführt, um die Vorhersagegenauigkeit von CGR und seinen einzelnen Komponenten bezüglich der CIE-Vorhersage zu vergleichen.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 5: Rangfolge quantitativer Merkmale basierend auf LASSO-Koeffizienten. Ausgewählte Variablen wurden gemäß ihren Koeffizientenwerten nach der LASSO-Regression sortiert, wodurch der relative Beitrag und die Richtung des Zusammenhangs jeder Variablen im Vorhersagemodell dargestellt werden.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 6: Im Trainingskollektiv bestimmte Youden-Schwellenwerte und entsprechende Metriken zur Klassifikationsleistung. Der optimale Schwellenwert für jedes Modell wurde ausschließlich im Trainingskollektiv mithilfe des Youden-Index ermittelt und anschließend fixiert und auf das interne Testkollektiv angewandt. Genauigkeit, Sensitivität und Spezifität im internen Testkollektiv wurden unter Verwendung dieser festgelegten Schwellenwerte berechnet.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

CIE ist eine seltene, aber potenziell schwerwiegende Komplikation nach neurointerventionellen Eingriffen, die sich durch eine akute neurologische Funktionsstörung kurz nach der Exposition gegenüber Kontrastmitteln auszeichnet. Obwohl der Zustand in der Regel reversibel ist, kann er in einigen Fällen zu anhaltenden neurologischen Defiziten oder sogar lebensbedrohlichen Folgen führen, was die Bedeutung einer frühen Risikoerkennung unterstreicht^17,18,19,20. Die zugrundeliegenden pathophysiologischen Mechanismen von CIE sind jedoch komplex und multifaktoriell und beinhalten Wechselwirkungen zwischen patientenspezifischen Faktoren, Eigenschaften des Kontrastmittels und interventionsbezogenen Merkmalen^{9,10,21,22,23,24}. Diese Komplexität macht es äußerst schwierig, eine genaue perioperative Risikobewertung allein anhand einzelner klinischer Variablen oder empirischer Beurteilung zu erreichen.

In dieser Studie wurden fünf ML-Modelle erstellt und evaluiert, um das Risiko von CIE bei Patienten vorherzusagen, die einer zerebrovaskulären Intervention unterzogen werden. Nach einem deskriptiven Leistungsvergleich erwies sich das Naive-Bayes-Modell als das Modell mit der ausgewogensten deskriptiven Leistung in dieser Studie. Hinsichtlich der Diskriminationsfähigkeit des Modells zeigte das Naive-Bayes-Modell im internen Testkohort den höchsten numerischen AUC-Wert (AUC = 0,952; 95 % CI: 0,843–1,000) im Vergleich zu LightGBM (AUC = 0,944; 95 % CI: 0,822–1,000), SVM (SVM; AUC = 0,935; 95 % CI: 0,796–1,000), MLP (MLP; AUC = 0,742; 95 % CI: 0,228–1,000) und dem KNN-Algorithmus (KNN; AUC = 0,718; 95 % CI: 0,195–1,000). Da kein formeller paarweiser statistischer Vergleich zwischen den AUC-Werten der Modelle durchgeführt wurde, sollten diese Unterschiede als deskriptiv und nicht als definitive Belege für die Überlegenheit eines Modells interpretiert werden. Es ist bemerkenswert, dass KNN und MLP in der Trainingsgruppe gut abschnitten (AUC = 0,969 bzw. 0,961), ihre Leistung jedoch in der Testgruppe deutlich abnahm, was auf eine mögliche Überanpassung hindeutet²⁵. Im Gegensatz dazu wies das Naive-Bayes-Modell zwischen der Trainings- und der internen Testkohorte ähnliche deskriptive AUC-Werte auf (AUC-Differenz = 0,009), was auf eine relativ stabile deskriptive Leistung in diesem Datensatz hindeutet. Diese scheinbare Stabilität sollte jedoch mit Vorsicht interpretiert werden, da die interne Testkohorte lediglich 33 Patienten und eine sehr geringe Anzahl an CIE-Ereignissen umfasste.

Aus praktischer Sicht könnte die vergleichsweise einfache probabilistische Struktur des Naive-Bayes-Ansatzes für klinische Datensätze mit geringer Stichprobengröße geeignet sein, insbesondere wenn die Anzahl der Outcome-Ereignisse begrenzt ist. In dieser Studie zeigte das Naive-Bayes-Modell zwischen Trainings- und interner Testkohorte eine relativ ausgewogene deskriptive Leistung. Da jedoch die interne Testkohorte klein war und nur sehr wenige CIE-Ereignisse enthielt, sollte diese scheinbare Stabilität vorsichtig interpretiert werden und bedarf einer externen Validierung. Die relativ günstige deskriptive Leistung des Naive-Bayes-Modells in diesem Datensatz könnte mit seiner einfachen probabilistischen Struktur und seiner Eignung für Settings mit kleiner Stichprobengröße unter der Annahme der Merkunabhängigkeit zusammenhängen^14,15. Im Gegensatz dazu neigen komplexere Modelle wie MLP und LightGBM unter Bedingungen mit begrenzter Stichprobengröße stärker zur Überanpassung, wodurch ihre Generalisierungsfähigkeit eingeschränkt wird. Diese Ergebnisse legen außerdem nahe, dass bei klinisch orientierten, risikoreichen Forschungsbereichen wie der neurointerventionellen Therapie bei der Modellwahl stärker auf Stabilität, Reproduzierbarkeit und klinische Machbarkeit geachtet werden sollte, anstatt blind die absolute Überlegenheit komplexer Algorithmen oder einzelner Leistungskennzahlen anzustreben. Die DCA deutete darauf hin, dass das Naive-Bayes-Modell über ausgewählte Schwellenwahrscheinlichkeiten hinweg einen Nettonutzen bieten könnte, doch bleibt dieses Ergebnis explorativ und bedarf einer externen Validierung. Zudem könnten seine einfache Struktur, effiziente Berechnung und Interpretierbarkeit eine zukünftige Evaluation als exploratives Modell zur perioperativen Risikostratifizierung unterstützen, allerdings ist eine externe Validierung erforderlich, bevor eine klinische Implementierung erfolgen kann. Aus klinischer Sicht lag die Inzidenz von CIE in dieser Studie bei 7,5 %, was über den in früheren Berichten dokumentierten 2–5 % liegt⁷. Diese Diskrepanz ist größtenteils auf die stark selektive Zusammensetzung der Studienpopulation zurückzuführen: Die Kohorte umfasste Patienten mit zerebrovaskulärer Erkrankung, die komplexe neurointerventionelle Eingriffe wie die Aneurysmaembolisation erhielten. Die besondere Kontrastierungsmuster im Zusammenhang mit diesen Eingriffen, wie die superselektive Angiographie und die lokale Hochdosisapplikation – sowie längere Eingriffsdauern – gelten allesamt als etablierte Risikofaktoren für CIE^9,10,26. Hinzu kommt, dass das höhere Basisrisiko der Patienten die Gesamtinzidenz weiter erhöht. Die Studienergebnisse unterstreichen, dass Läsionen der hinteren Zirkulation und Embolisationsverfahren starke Prädiktoren für CIE darstellen. Anatomisch versorgt die hintere Zirkulation (Vertebrobasilaris-System) das Hirnstamm, Kleinhirn und Okzipitallappen. Der Okzipitallappen weist eine äußerst hohe Empfindlichkeit gegenüber der Toxizität von Kontrastmitteln auf, was erklärt, warum CIE-Patienten häufig mit kortikaler Blindheit auftreten. Zudem unterscheiden sich die hämodynamischen Eigenschaften des Vertebrobasilaris-Systems von denen der vorderen Zirkulation, was die beobachtete Assoziation zwischen Läsionen der hinteren Zirkulation und CIE in dieser Kohorte teilweise erklären könnte.

Embolisationsverfahren sind in der Regel anspruchsvoller als eine einfache Angioplastie und erfordern häufige superselektive Angiographien, um die Position der Coils sowie das Ausmaß der Thrombusokklusion zu überprüfen. Dadurch ergibt sich eine signifikant höhere Spitzenkonzentration des Kontrastmittels im lokalen Gefäßbett pro Zeiteinheit im Vergleich zu routinemäßigen Eingriffen. Diese intensive und lokal begrenzte Kontrastmittelbelastung könnte ein biologisch plausibler Faktor für die Störung der Blut-Hirn-Schranke sein, obwohl dieser Mechanismus in der vorliegenden retrospektiven Studie nicht direkt bestätigt werden konnte. In Übereinstimmung mit der Analyse der Basischarakteristika wiesen Patienten in der CIE-Gruppe signifikant häufiger eine Embolisationsbehandlung auf und hatten einen höheren Anteil an Läsionen der hinteren Hirnstrombahn im Vergleich zur Nicht-CIE-Gruppe. Dies legt nahe, dass die chirurgische Komplexität und die anatomische Lage der Läsion mit dem Auftreten von CIE assoziiert sein könnten. Zudem unterstreichen die längere Dauer des Eingriffs sowie der höhere Gesamtverbrauch an Kontrastmittel in der CIE-Gruppe die kumulative Wirkung operationsbedingter Belastungen auf das Risiko der CIE-Entstehung.

Um die klinische Interpretierbarkeit des Modells zu verbessern, bewertete diese Studie die CGR als einen explorativen zusammengesetzten Index. Das Risiko für das Auftreten von CIE hängt nicht nur von der absoluten Dosis des Kontrastmittels ab, das in die zerebrale Gefäßbahn gelangt, sondern steht auch in engem Zusammenhang mit der Geschwindigkeit, mit der das Kontrastmittel aus dem systemischen Kreislauf eliminiert wird. Die CGR integriert das gesamte Kontrastmittelvolumen und die eGFR in einen einzigen kombinierten Index, der die Belastung durch das Kontrastmittel im Verhältnis zur renalen Ausscheidungskapazität widerspiegelt. Dieser Ansatz basiert auf dem gut etablierten paradigma der quotenbasierten Vorhersage von kontrastmittelinduzierter Nephropathie (CIN), wie beispielsweise dem Verhältnis von Kontrastmittelvolumen zur eGFR²⁷, und entspricht aktuellen Strategien zur Entwicklung umfassender Biomarker wie dem Neutrophilen-zu-Lymphozyten-Quotienten (NLR)²⁸ und dem Triglycerid-Glukose-Index (TyG)²⁹, die alle darauf abzielen, die zugrundeliegenden pathophysiologischen Zustände von Erkrankungen aufzudecken. Iodhaltige Kontrastmittel werden hauptsächlich unverändert über die Nieren ausgeschieden. Bei eingeschränkter Nierenfunktion kann die systemische Exposition gegenüber iodhaltigen Kontrastmitteln verlängert sein, was zu einer erhöhten endothelialen Exposition führen könnte. Bei neurointerventionellen Eingriffen werden Kontrastmittel häufig direkt in hoher Konzentration in die zerebrale Zirkulation über die A. carotis interna oder die A. vertebralis injiziert; der hier lokal extrem hohe osmotische Druckgradient kann die Integrität der Blut-Hirn-Schranke (BBB) beeinträchtigen³⁰. In diesem Fall kann bei eingeschränkter systemischer Clearance das im Blutkreislauf angesammelte Kontrastmittel einen Konzentrationsgradienten über die BBB aufrechterhalten, wodurch die Diffusion des Kontrastmittels in den zerebralen Interstitialraum begünstigt wird. Darüber hinaus könnte die CGR eine klinisch anschauliche Methode bieten, um Kontrastmittelbelastung und renale Clearance zu kombinieren, doch ihr zusätzlicher prädiktiver Wert gegenüber dem alleinigen Kontrastvolumen oder der eGFR bedarf weiterer Validierung. Daher könnte die CGR als explorativer Index zur Risikostratifizierung von perioperativen CIE dienen.

In dieser Studie zeigte sich, dass der Typ des Kontrastmittels (niedrigosmolar, zweite Generation vs. isosmolar, dritte Generation) keinen signifikanten unabhängigen prädiktiven Wert für CIE hatte (p = 0.982). Dieses Ergebnis stimmt nicht vollständig mit einigen früheren Berichten überein. Eine mögliche Erklärung ist, dass Faktoren neben der Osmolarität, wie chemische Toxizität oder Viskosität, zur neurotoxischen Wirkung von Kontrastmitteln beitragen könnten; diese Interpretation bleibt jedoch spekulativ und bedarf weiterer mechanistischer Validierung. Diese Interpretation wird durch frühere klinische und mechanistische Studien gestützt^31,32. Darüber hinaus könnten Ärzte in der klinischen Praxis Kontrastmittel der dritten Generation (isosmolar) bevorzugt bei risikobehafteten Patienten einsetzen, was einen potenziellen indikationsbedingten Verzerrungseffekt verursachen kann, der zugrundeliegende Unterschiede zwischen verschiedenen Kontrastmitteltypen verschleiern könnte.

Mehrere kritische Protokollschritte sollten hervorgehoben werden, um die erfolgreiche Anwendung dieses Workflows sicherzustellen. Erstens ist eine sorgfältige Ergebnisadjudikation unerlässlich, da eine ungenaue CIE-Klassifizierung direkten Einfluss auf das Modelltraining und die Bewertung hätte. Verdacht auf CIE-Fälle sollte anhand des zeitlichen Zusammenhangs zwischen Kontrastmittelgabe und Symptombeginn, neurologischen Manifestationen, postoperativen bildgebenden Befunden sowie des Ausschlusses alternativer Diagnosen beurteilt werden. Zweitens ist die genaue Erfassung und Überprüfung des gesamten Kontrastmittelvolumens und des eGFR wichtig, da diese beiden Variablen die CGR-Berechnung bestimmen. Drittens sollte die CGR bei allen Patienten nach derselben Regel berechnet werden, nachdem sowohl das Gesamtkontrastmittelvolumen als auch der eGFR bestätigt wurden. Viertens sollten Merkmalsauswahl, Imputationsparameter-Schätzung, Hyperparameter-Optimierung und Modelltraining ausschließlich anhand der Trainingskohorte durchgeführt werden, um Datenlecks zu vermeiden. Schließlich sollte die Modellleistung aufgrund der Seltenheit von CIE und der begrenzten Anzahl an Ereignissen vorsichtig interpretiert und vor der klinischen Anwendung extern validiert werden³³.

Mehrere Methodenmodifikationen und Fehlerbehebungsstrategien sollten ebenfalls berücksichtigt werden, wenn dieser Arbeitsablauf in anderen Umgebungen angewendet wird. Wenn der Anteil fehlender Daten hoch ist, sollten die Untersucher zunächst prüfen, ob das Fehlen zufällig ist, und die Imputation von Variablen mit übermäßigen Datenlücken vermeiden. Falls die Anzahl der CIE-Ereignisse sehr gering ist, sollte die Modellkomplexität reduziert werden, und einfachere oder regularisierte Modelle könnten bevorzugt werden, um Überanpassung zu vermeiden. Wenn der Arbeitsablauf auf ein anderes Zentrum übertragen wird, sollten Variablendefinitionen, Kodierregeln, Methoden zur Berechnung des eGFR, Praktiken zur Erfassung der Kontrastmittelmenge und Kriterien für die Bildreanalyse vor dem Modelltraining harmonisiert werden. Wenn die Modellleistung während der internen oder externen Validierung abnimmt, sollten mögliche Ursachen wie Klassenungleichgewicht, Datenlecks, inkonsistente Vorverarbeitung, instabile Merkmalsauswahl und Unterschiede im Patientenkollektiv untersucht werden. Bei Fällen mit unsicherer CIE-Diagnose wird empfohlen, vor der Modellentwicklung eine Begutachtung durch mehrere erfahrene Kliniker sowie einen sorgfältigen Ausschluss alternativer Diagnosen durchzuführen.

Diese Studie weist folgende Einschränkungen auf: Erstens basiert diese Studie auf einem einzentrischen retrospektiven Design mit einer begrenzten Anzahl an CIE-Ereignissen. Unter den 161 eingeschlossenen Patienten traten lediglich 12 CIE-Ereignisse auf, und die interne Testkohorte umfasste nur 33 Patienten mit einer sehr geringen Anzahl an CIE-Fällen. Daher könnten Leistungskennzahlen wie AUC, Sensitivität und Spezifität instabil sein und stark von der Klassifizierung nur eines oder zweier Fälle abhängen. Zukünftig wird eine externe Validierung anhand multizentrischer, prospektiver Studien mit großer Stichprobengröße erforderlich sein, um die Zuverlässigkeit des Modells weiter zu bestätigen. Zweitens basiert das in dieser Studie entwickelte Modell hauptsächlich auf routinemäßigen klinischen Variablen, die vor und während der Operation erhoben wurden. In Zukunft könnte man zusätzlich intraoperative Kinetikparameter von Kontrastmitteln, frühe postoperative bildgebende Merkmale sowie spezifische serumbasierte Biomarker integrieren, um ein dynamischeres und umfassenderes CIE-Risikovorhersagesystem zu entwickeln. Drittens führte die geringe Inzidenz von CIE (7,5 %) zu einer deutlichen Klassenungleichgewichtung, mit nur 12 CIE-Fällen und 149 Nicht-CIE-Fällen. Dieses Ungleichgewicht könnte die Zuverlässigkeit der Modellleistungskennzahlen verringern. Die Genauigkeit (Accuracy) könnte die Modellleistung überschätzen, wenn die Nicht-CIE-Klasse den Datensatz dominiert, während Sensitivität, Spezifität, positiver prädiktiver Wert und negativer prädiktiver Wert instabil sein könnten, da sie durch eine sehr geringe Anzahl an CIE-Ereignissen beeinflusst werden. Daher sollte das vorgeschlagene Modell derzeit als ein exploratives Risikostratifizierungsmodell und nicht als endgültiges klinisches Entscheidungswerkzeug betrachtet werden. Zusätzliche wiederholte Kreuzvalidierungen oder auf Resampling basierende Validierungen wurden in der vorliegenden Studie nicht durchgeführt, da die Anzahl der CIE-Ereignisse sehr begrenzt war und solche Analysen unter starkem Klassenungleichgewicht weiterhin instabile Schätzungen liefern könnten. Eine multizentrische externe Validierung und eine prospektive Bewertung sind vor einer klinischen Anwendung erforderlich.

Zusammenfassend verglich diese Studie systematisch mehrere ML-Modelle und zeigte, dass das Naive-Bayes-Modell im vorliegenden Datensatz die ausgewogenste beschreibende Leistung für die Vorhersage von CIE erzielte. Dieses Modell könnte eine vorläufige Unterstützung für die risikobasierte Einstufung im perioperativen Bereich bieten, doch seine klinische Nützlichkeit bedarf weiterer Validierung. Darüber hinaus bewertete die Studie CGR als explorativen zusammengesetzten Parameter, der das Ungleichgewicht zwischen „Kontrastmittelbelastung und renaler Clearance“ quantifiziert. CGR erwies sich als einer der einflussreichsten Prädiktoren im Modell und könnte nützliche Informationen für die individuelle perioperative Risikobewertung liefern. Diese Ergebnisse könnten Hypothesen zur Identifizierung von Hochrisikopatienten, die sich neurointerventionellen Eingriffen unterziehen, generieren helfen; jedoch sind weitere Studien mit größeren Stichproben und externer Validierung erforderlich. Zukünftige Untersuchungen mit größeren Fallzahlen und externer Validierung sind notwendig, um zu klären, ob multimodale prädiktive Modelle die Risikostratifizierung von CIE verbessern und eine präzisere Prävention sowie Behandlung dieser Komplikation unterstützen können.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Elektronisches Patientenakten-System	Northern Theater General Hospital	Institutionelles klinisches System	Wird zur retrospektiven Datengewinnung verwendet Erfassung von demografischen Daten und anamnestischen Variablen
Laborinformationssystem	Northern Theater General Hospital	Institutionelles Laborsystem	Wird zur retrospektiven Gewinnung von Laborwerten verwendet Erfassung von Serumkreatinin, eGFR, Lipidprofil und anderen Laborparametern
Digital-Subtraktions-Angiographie-System	Philips	Allura Xper FD 20 (mit Interventional Workstation R1.3.2)	Wird während routinemäßiger klinischer Verfahren eingesetzt Durchführung neurointerventioneller Eingriffe und Dokumentation des Kontrastmittels
CT-Scanner	Philips	Ingenuity CT	Wird zur postoperativen bildgebenden Beurteilung verwendet Postoperative kraniale CT-Beurteilung
OnekeyAI-Plattform zur Analyse strukturierter Daten	OnekeyAI	20240916	Wird als Forschungswerkzeug verwendet; spielt keine Rolle bei klinischen Entscheidungen Vorverarbeitung strukturierter Daten, Modellerstellung, Modellbewertung und Erstellung von Abbildungen
Python	Python Software Foundation	3.7.12	Open-Source-Programmiersprache Datenvorverarbeitung, statistische Analyse, Modellentwicklung und Visualisierung
scikit-learn	scikit-learn-Entwickler	1.0.2	Open-Source-Python-Bibliothek für maschinelles Lernen LASSO, Naive Bayes, SVM, KNN, MLP, ROC-Analyse und Leistungsmetriken