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.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Machine-Learning-gestützte Vorhersage der kontrastmittelinduzierten Enzephalopathie nach neurointerventionellen Eingriffen
* These authors contributed equally
In diesem Artikel
Zusammenfassung
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 Betrachtung3,4,5,6,7. 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 Anfälle4,5,6. 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 führen4,7. 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 aufbauen8,9,10,11. 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 auf12,13. Demgegenüber zeigt der Naive-Bayes-Algorithmus mit seiner einfachen probabilistischen Logik und inhärenten Interpretierbarkeit einzigartige Vorteile in klinischen Studien mit kleinen Stichprobenumfängen14,15. 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.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
Das Studienprotokoll wurde vom Ethikkomitee des Allgemeinen Krankenhauses des nördlichen Befehlsgebiets (Genehmigungsnummer: Ethik Y (2026) 75) geprüft und genehmigt. 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 wurde keine prospektive Intervention oder Patientenrekrutierung 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 Einschlussnahme 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) Vorhandensein vollständiger klinischer Unterlagen und Laborergebnisse; sowie (4) Durchführung einer postoperativen Schädel-CT-Untersuchung innerhalb von 3 Tagen nach der Operation.
Patienten wurden ausgeschlossen, wenn sie unvollständige klinische oder bildgebende Daten aufwiesen, keine endovaskuläre Intervention erhielten, schwere präoperative neurologische Defizite (modifizierter Rankin-Skala-Score ≥4) hatten, 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 Kandidatendatensatz 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 den Trainings- und Testkohorten zugewiesen, 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 sicherzustellen.
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 Symptombeginns, neurologische Manifestationen sowie die postoperativen bildgebenden Ergebnisse bei allen Verdachtsfällen. Unstimmigkeiten wurden durch Diskussion bis zur Einigung behoben. Patienten wurden als kompatibel mit einer CIE angesehen, wenn innerhalb von 24 Stunden nach Abschluss des neurointerventionellen Eingriffs neu aufgetretenes kortikales Erblinden, 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 Überprüfung von postoperativen CT- oder MRT-Bildern zusammen mit dem klinischen Verlauf ausgeschlossen. Die postoperative Schädel-CT wurde gemäß dem institutionellen Standardprotokoll für nicht kontrastmittelverstärkte kraniale CT 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 Hirn- und Knochenfenstern analysiert. 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 Schatten mit hoher Dichte, die die Großhirnrinde, subkortikale Bereiche oder den subarachnoidalen Raum betrafen und hämorrhagische Läsionen nachahmten. MRT-Befunde zeigen gewöhnlich eine Schwellung der Großhirnrinde, insbesondere im Bereich der Temporo-Parieto-Okzipital-Kortex. Bei einigen Patienten zeigten CT- oder MRT-Untersuchungen jedoch keine offensichtlichen Auffälligkeiten, obwohl die klinischen Symptome entsprechend waren.
Erhebung perioperativer Variablen und Erstellung des 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, vorbestehenden Krankengeschichten 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 integriert. 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 Maßnahmen, einschließlich der Embolisierung von Aneurysmen, Angioplastie und Stentplatzierung, 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 Prozedurunterlagen entnommen und, sofern verfügbar, mit den Aufzeichnungen der Anästhesie oder Pflegepersonal abgeglichen. Unterlagen mit widersprüchlichen oder unvollständigen Angaben zum Kontrastmittelvolumen wurden vor der Aufnahme in den endgültigen analytischen Datensatz manuell überprüft.
Alle verfahrensbezogenen Variablen, einschließlich Dauer des Eingriffs, Art der therapeutischen Intervention, Nutzung von Geräten und Aufzeichnungen zur Kontrastmittelverabreichung, wurden systematisch überprüft und hinsichtlich Vollständigkeit und Konsistenz vor der Analyse verifiziert. Um die Diskrepanz 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 das gesamte Kontrastmittelvolumen und das eGFR überprüft worden waren. Der Zähler entsprach dem gesamten Kontrastmittelvolumen in mL, der Nenner dem eGFR in mL/min/1,73 m2. Dieselbe Berechnungsmethode 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 potenziellen Prädiktorvariablen wurden zunächst mittels univariater Analysen hinsichtlich ihres Zusammenhangs mit dem Auftreten von CIE bewertet. Die statistischen Methoden wurden entsprechend der Verteilungsmerkmale 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 (interquartiler Bereich, IQR) dargestellt und mittels des Mann-Whitney-U-Tests analysiert. Kategoriale Variablen wurden als Häufigkeiten und Prozentanteile angegeben und mit dem Chi-Quadrat-Test oder dem exakten 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 dem Verfahren 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 einmalig zur abschließenden Leistungsbewertung herangezogen. Die Optimierung der Hyperparameter 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 fungierte.
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 in Frage kommenden 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 Codierungsschema kodiert; die Variablendefinitionen und das Codierungsschema 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 von Hyperparametern für jedes Modell wurde basierend auf der Kreuzvalidationsleistung innerhalb des Trainingskollektivs ausgewählt. Die endgültig ausgewählten optimierten Hyperparameterkombinationen für jedes Modell sind in Supplementary Table 3 zusammengefasst. Nach der Hyperparameterauswahl wurde jedes finale Modell erneut auf dem gesamten Trainingskollektiv angepasst 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 Unterscheidungsleistung der verschiedenen Modelle zu vergleichen. Der optimale Klassifizierungsschwellenwert für jedes Modell wurde ausschließlich anhand der Trainingskohorte mithilfe 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, da sie eine gleichzeitige Beurteilung der Diskriminierungsleistung und der potenziellen klinischen Anwendbarkeit in Entscheidungssituationen im perioperativen Bereich 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, Adjudikation von CIE durch zwei unabhängige Fachärzte, Extraktion und Gegenprüfung von demografischen, anamnestischen, laborchemischen und verfahrensbezogenen Variablen, Berechnung des 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 in der gesamten Trainingskohorte, interne Evaluierung anhand der Testkohorte, leistungsbezogene Bewertung basierend auf der ROC-Kurve, Bestimmung des Schwellenwerts nach dem Youden-Index und DCA.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
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 -einteilung ist in Abbildung 2 dargestellt. Die Diagnose einer CIE basierte auf dem zeitlichen Zusammenhang zwischen Symptombeginn und...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
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 unterstreicht17,18,
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Die Autoren geben keine Wettbewerbsinteressen an. Die OnekeyAI-Plattform wurde in dieser Studie ausschließlich als Forschungswerkzeug für die strukturierte Datenanalyse und die Modellentwicklung verwendet.
Danksagungen
Diese Arbeit wurde unterstützt durch das gemeinsame Programm für Wissenschaft und Technologie der Provinz Liaoning (Projekt zum Schwerpunktprogramm für Forschung und Entwicklung; Förderkennzeichen Nr. 2025JH2/101800053) und das Xingliao-Talentprogramm der Provinz Liaoning (Förderkennzeichen Nr. XLYC2403134). Die Autoren danken außerdem der Abteilung für Neurochirurgie des Allgemeinen Krankenhauses des Nordtheaters für die Unterstützung bei der Erhebung der Patientendaten und der Überprüfung der neurobildgebenden Verfahren.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
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 |
Referenzen
- 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.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.