Predicción mediante aprendizaje automático de la encefalopatía inducida por contraste tras procedimientos neurointervencionistas

Resumen

Se evaluó un marco exploratorio de aprendizaje automático (ML) que utiliza datos perioperatorios para predecir la encefalopatía inducida por contraste (CIE) tras procedimientos neurointervencionistas. El modelo Naive Bayes mostró el rendimiento descriptivo más equilibrado, y la relación contraste-eGFR (CGR) se identificó como un predictor candidato importante para la evaluación individualizada del riesgo.

Resumen

La EIC es una complicación rara pero grave tras procedimientos neurointervencionales, para la cual aún faltan herramientas predictivas no invasivas y confiables. Este estudio tuvo como objetivo desarrollar y validar un modelo de ML para predecir la EIC utilizando datos clínicos y procedimentales perioperatorios, y evaluar el valor predictivo del CGR para la EIC. Este fue un estudio retrospectivo de un solo centro que incluyó consecutivamente a 161 pacientes sometidos a procedimientos neurointervencionales en el Departamento de Neurocirugía del Hospital General del Teatro del Norte entre enero de 2024 y diciembre de 2025. Los predictores perioperatorios candidatos para EIC se identificaron mediante análisis univariado combinado con regresión LASSO. Basándose en las variables seleccionadas, se entrenaron y optimizaron cinco modelos de ML: Naive Bayes, máquina de vectores de soporte (SVM), k vecinos más cercanos (KNN), LightGBM y perceptrón multicapa (MLP). El desempeño del modelo se evaluó exhaustivamente mediante el área bajo la curva de característica de operación del receptor (AUC), y el análisis de curva de decisión (DCA). Entre los modelos evaluados, el modelo Naive Bayes mostró el desempeño descriptivo más favorable en el conjunto de prueba interno, con un AUC de 0,952 (IC del 95 %: 0,843–1,000), una sensibilidad del 100 % y una especificidad del 90,3 %; sin embargo, estas métricas deben interpretarse con cautela debido a que el conjunto de datos era marcadamente desequilibrado y la cohorte de prueba interna era pequeña y contenía solo un número muy limitado de eventos de EIC. Los resultados del DCA sugirieron un posible beneficio clínico neto en un rango de probabilidades umbral seleccionadas. El análisis de importancia de características indicó que el CGR se encontraba entre los predictores candidatos con mayor puntuación asociados al riesgo de EIC en este conjunto de datos. El modelo Naive Bayes evaluado en este estudio podría proporcionar un marco preliminar de estratificación de riesgo para la evaluación perioperatoria de la EIC tras procedimientos neurointervencionales. El CGR surgió como una característica predictiva importante y podría ayudar en la estratificación individualizada del riesgo. Se requiere una validación externa adicional antes de su aplicación clínica.

Introducción

Durante las últimas dos décadas, las técnicas intervencionistas mínimamente invasivas han transformado fundamentalmente el paradigma de tratamiento de las enfermedades cerebrovasculares¹. Los procedimientos neurointervencionistas, con sus ventajas de alta eficacia y mínima invasividad, se han convertido en opciones terapéuticas importantes para trastornos cerebrovasculares seleccionados². Sin embargo, a medida que aumenta la complejidad de los procedimientos intervencionistas, también lo hacen las dosis de agentes de contraste utilizadas durante los procedimientos, las presiones de inyección y la duración de la exposición al agente de contraste. En consecuencia, las complicaciones relacionadas con el agente de contraste han pasado gradualmente a estar bajo un escrutinio creciente^3,4,5,6,7. La EIC, una disfunción neurológica aguda y transitoria inducida por medios de contraste yodados (ICM), ha sido reconocida cada vez más como una complicación clínicamente relevante, particularmente en procedimientos neurointervencionistas complejos. Las manifestaciones clínicas típicas de la EIC suelen aparecer entre minutos y 24 horas después de la exposición al agente de contraste e incluyen alteraciones de la conciencia (como somnolencia, delirio o coma), ceguera cortical, déficits neurológicos focales (como hemiparesia o afasia) y convulsiones^4,5,6. Aunque la mayoría de los casos de EIC son autolimitados y los síntomas suelen resolverse en un plazo de 48 a 72 horas, algunos pacientes pueden experimentar deterioro neurológico persistente. Los casos graves incluso pueden conducir a la muerte debido a edema cerebral masivo^4,7. Esta imprevisibilidad de los resultados subraya la necesidad urgente de desarrollar una herramienta confiable para la predicción temprana del riesgo durante el período peroperatorio.

A medida que el volumen de datos clínicos sigue aumentando, los métodos estadísticos tradicionales resultan cada vez más inadecuados al manejar datos médicos de alta dimensionalidad que presentan multicolinealidad. Además, los análisis univariados o los modelos simples de regresión logística a menudo no logran captar las interacciones complejas y no lineales entre variables. El aprendizaje automático (ML) ofrece una nueva dimensión para abordar estos desafíos⁸. Los algoritmos de ML, como las máquinas de vectores de soporte (SVM), los máquinas de incremento de gradiente (LightGBM) y las redes neuronales multicapa (MLP), pueden identificar automáticamente patrones latentes en espacios de características de alta dimensionalidad y construir modelos no lineales con potentes capacidades predictivas^8,9,10,11. Sin embargo, aunque se persiga la precisión predictiva, la naturaleza de "caja negra" de estos algoritmos, caracterizada por su falta de interpretabilidad, suele generar preocupaciones respecto a la confianza en la toma de decisiones médicas^12,13. En contraste, el algoritmo Naive Bayes, con su lógica probabilística sencilla y su interpretabilidad inherente, muestra ventajas únicas en estudios clínicos con muestras pequeñas^14,15. Al evaluar la contribución de la probabilidad posterior de cada variable predictora al evento de resultado, el modelo Naive Bayes no solo garantiza un buen desempeño predictivo, sino que también proporciona a los clínicos información intuitiva para la toma de decisiones. Además, para evaluar cuantitativamente el desequilibrio entre la carga de agente de contraste y la capacidad individual de eliminación, este estudio introduce de forma innovadora la relación entre el agente de contraste y el eGFR (CGR) como característica principal. En pacientes con menor reserva funcional renal, incluso dosis moderadas de agentes de contraste pueden producir valores extremadamente altos de CGR, lo que podría aumentar la susceptibilidad a la CIE. La CGR podría proporcionar una medida compuesta clínicamente intuitiva que integre la carga del agente de contraste y la capacidad de eliminación renal, aunque su valor predictivo adicional requiere más validación. Al incorporar este biomarcador integrado, este estudio tuvo como objetivo desarrollar un marco predictivo que refleje más fielmente la realidad fisiopatológica.

En resumen, este estudio tuvo como objetivo desarrollar y validar un modelo de predicción de EIC basado en aprendizaje automático (ML), utilizando variables clínicas y procedimentales perioperatorias¹⁶. Los objetivos específicos incluyen: (1) presentar y evaluar la relación creatinina-glucosa (CGR) como un índice compuesto exploratorio; (2) construir y comparar el desempeño de cinco modelos de ML: Naive Bayes, SVM, KNN, LightGBM y MLP; y (3) identificar el modelo óptimo. Dado el número limitado de eventos de EIC, la comparación de modelos se consideró exploratoria y generadora de hipótesis. En última instancia, este estudio podría proporcionar un marco preliminar de estratificación de riesgo para la EIC en la práctica neurointervencionista, aunque no debe utilizarse como herramienta independiente de toma de decisiones clínicas sin una validación externa. La base conceptual de la CGR y su relación con la exposición al contraste y la depuración renal se ilustran en Figura 1A. El flujo general del estudio, que incluye el preprocesamiento de datos, la división en conjuntos de entrenamiento/prueba, la selección de características y el desarrollo del modelo, se resume en Figura 1B. El marco de evaluación comparativa de los cinco modelos de ML se presenta en Figura 1C.

Protocolo

El protocolo del estudio fue revisado y aprobado por el Comité de Ética del Hospital General del Mando Teatral del Norte (Número de aprobación: Ética Y (2026) 75). Aunque los datos clínicos se obtuvieron de pacientes tratados entre enero de 2024 y diciembre de 2025, el presente estudio se realizó como un análisis retrospectivo de registros clínicos existentes. La aprobación ética obtenida en 2026 cubrió la extracción retrospectiva de datos, la desidentificación, el análisis y la publicación de estos datos clínicos previamente recopilados. No se realizó ninguna intervención prospectiva ni inscripción de pacientes antes de obtener la aprobación ética. Se dispensó el requisito de consentimiento informado por escrito debido al diseño del estudio observacional retrospectivo. Todos los procedimientos se llevaron a cabo de acuerdo con la Declaración de Helsinki, y todos los datos clínicos fueron desidentificados antes del análisis. El presente análisis se realizó como parte de un proyecto de investigación clínica neurointervencionista retrospectiva aprobado. Los materiales y equipos necesarios para los procedimientos descritos a continuación se resumen en la Tabla de materiales.

Inscripción de pacientes y determinación de CIE

Los pacientes potencialmente elegibles se identificaron mediante consultas al sistema de historias clínicas electrónicas en busca de pacientes tratados en el Departamento de Neurocirugía del Hospital General del Mando Teatral del Norte entre enero de 2024 y diciembre de 2025. La búsqueda inicial se limitó por fecha de ingreso, departamento, diagnóstico de enfermedad cerebrovascular y registros de procedimientos neurointervencionales. En Figura 2 se ilustra el flujo detallado de selección de pacientes y asignación de la cohorte. Los pacientes eran elegibles para inclusión si cumplían todos los siguientes criterios: (1) edad entre 30 y 80 años; (2) diagnóstico de enfermedad cerebrovascular que requiriera evaluación o tratamiento neurointervencional; (3) disponibilidad de registros clínicos completos y resultados de pruebas de laboratorio; y (4) realización de un examen de tomografía computarizada de cabeza postoperatoria dentro de los 3 días posteriores a la cirugía.

Se excluyeron a los pacientes si tenían datos clínicos o de imagen incompletos, no se sometieron a intervención endovascular, presentaban déficits neurológicos graves antes de la operación (puntuación de la escala modificada de Rankin ≥4), mostraban infarto cerebral agudo en la imagen ponderada por difusión previa a la cirugía, tenían enfermedad renal crónica en estadio G4 o superior según los criterios de Enfermedad Renal: Mejora de los Resultados Globales (KDIGO), o padecían enfermedad cardiovascular grave. Los criterios de inclusión y exclusión se aplicaron de forma secuencial. Tras la búsqueda electrónica inicial, se revisó manualmente cada registro candidato para confirmar la elegibilidad y documentar el motivo de exclusión cuando correspondiera. Tras el cribado, los pacientes elegibles se asignaron aleatoriamente a cohortes de entrenamiento y prueba en una proporción de 8:2, incluyendo una cohorte de entrenamiento (n = 128) y una cohorte de prueba (n = 33). Se utilizó muestreo aleatorio estratificado para mantener una distribución constante de casos con EIC y sin EIC entre las dos cohortes.

El diagnóstico de EIC se basó principalmente en la asociación temporal entre el inicio de los síntomas y los procedimientos de intervención cerebrovascular, combinada con una evaluación por imágenes de exclusión. Dos especialistas independientes en intervención cerebrovascular revisaron los registros clínicos posoperatorios, el momento del inicio de los síntomas, las manifestaciones neurológicas y los hallazgos de imágenes posoperatorias en todos los casos sospechosos. Las discrepancias se resolvieron mediante discusión hasta alcanzar un consenso. Se consideró que los pacientes eran compatibles con EIC si presentaban ceguera cortical de reciente aparición, alteración del estado de conciencia (incluyendo somnolencia, delirio o coma), convulsiones o déficits neurológicos focales como hemiparesia o afasia ocurridos dentro de las 24 horas posteriores a la finalización del procedimiento neurointervencional.

Después del inicio de los síntomas, se excluyeron causas alternativas capaces de producir manifestaciones neurológicas similares mediante la revisión de imágenes de tomografía computarizada (TC) o resonancia magnética (RM) posoperatorias junto con la evolución clínica. La TC craneal posoperatoria se realizó siguiendo el protocolo estándar institucional de TC craneal sin contraste. Los parámetros esenciales de adquisición incluyeron un voltaje del tubo de 80 kVp, una corriente del tubo de 260 mA, un grosor de corte de 0,5 mm y una reconstrucción axial estándar. Las imágenes se revisaron en ventanas cerebrales y óseas por clínicos experimentados. Durante el diagnóstico diferencial, se consideraron hemorragia intracraneal aguda, hemorragia subaracnoidea, hemorragia intracerebral, infarto cerebral de gran área recién desarrollado, cambios relacionados con convulsiones, infección y trastornos metabólicos. Los estudios de TC posteriores al inicio de los síntomas generalmente mostraban edema cerebral focal o difuso y sombras de alta densidad que afectaban la corteza, regiones subcorticales o el espacio subaracnoideo, simulando lesiones hemorrágicas. Los hallazgos en RM suelen demostrar hinchazón cortical, particularmente que afecta la corteza temporoparietal occipital. Sin embargo, en algunos pacientes, los estudios de TC o RM no mostraban anomalías evidentes a pesar de manifestaciones clínicas compatibles.

Adquisición de variables perioperatorias y construcción de CGR

Se extrajeron datos demográficos generales, incluyendo edad, sexo y peso corporal, de campos estructurados en el sistema de historial médico electrónico. Las variables del historial clínico, incluyendo antecedentes de tabaquismo, consumo de alcohol, hipertensión, diabetes mellitus y enfermedad coronaria, se obtuvieron de las notas de ingreso, los registros de historial médico previo y los diagnósticos de alta, y se verificaron cruzadamente para garantizar su coherencia. Los datos de laboratorio se extrajeron del sistema de información de laboratorio. Para cada paciente, se utilizó la primera muestra de sangre venosa recolectada tras el ingreso y antes del procedimiento neurointervencionista. Las variables de laboratorio extraídas incluyeron creatinina sérica, tasa de filtración glomerular estimada (eGFR), colesterol total y niveles de triglicéridos. La eGFR se calculó mediante la ecuación basada en la creatinina de la colaboración para la epidemiología de la enfermedad renal crónica (CKD-EPI) y se obtuvo del sistema de información de laboratorio del hospital.

Debido a que la complejidad del procedimiento, la exposición al agente de contraste y la ubicación de la lesión pueden influir en la alteración de la barrera hematoencefálica y la retención del agente de contraste durante los procedimientos neurointervencionales, también se incorporaron al marco predictivo variables perioperatorias relacionadas con el procedimiento. Las variables relacionadas con el procedimiento incluyeron la ubicación de la lesión, el tipo de procedimiento, la duración del procedimiento, el tipo de agente de contraste y el volumen total de contraste. La ubicación de la lesión y el tipo de procedimiento se determinaron a partir de los informes operatorios y los registros angiográficos. La duración del procedimiento se definió como el tiempo transcurrido desde la punción arterial hasta la finalización del procedimiento neurointervencional. El volumen total de contraste se definió como el volumen acumulado del agente de contraste yodado administrado desde el inicio hasta el final del procedimiento. Los agentes de contraste utilizados en este estudio fueron ICA no iónicos, incluyendo yodixanol (320 mg de yodo/mL), administrados de acuerdo con la práctica clínica institucional. Todos los procedimientos neurointervencionales incluidos en este estudio se realizaron bajo guía de angiografía por sustracción digital por un equipo neurointervencional experimentado en el centro del estudio. Todos los procedimientos se realizaron mediante el abordaje arterial transfemoral. Durante la intervención, los pacientes recibieron anticoagulación intraoperatoria con heparina, y el tiempo de coagulación activado se mantuvo dentro del rango objetivo de 250–300 s. Los signos vitales se monitorearon continuamente durante todo el procedimiento.

Las intervenciones terapéuticas, incluyendo la embolización de aneurismas, angioplastia y colocación de stents, se realizaron según las características de la lesión y el criterio del operador. Se seleccionaron microcatéteres, coils, stents o balones apropiados de acuerdo con los requisitos del procedimiento. Durante la obtención de imágenes angiográficas y la intervención, los agentes de contraste se administraron ya sea mediante inyección a alta presión o infusión manual a velocidad constante. El tipo de agente de contraste y el volumen total de contraste se extrajeron de los registros del procedimiento y se verificaron cruzadamente con los registros de anestesia o enfermería cuando estuvieron disponibles. Los registros con información inconsistente o incompleta sobre el volumen de contraste se revisaron manualmente antes de su inclusión en el conjunto de datos analítico final.

Todas las variables relacionadas con el procedimiento, incluyendo la duración del procedimiento, el tipo de intervención terapéutica, el uso de dispositivos y los registros de administración de agentes de contraste, se revisaron y verificaron sistemáticamente en cuanto a su completitud y consistencia antes del análisis. Para evaluar cuantitativamente el desequilibrio entre la carga de agente de contraste y la capacidad de eliminación renal, se estableció la relación C/G como una variable predictiva fundamental y se calculó según la siguiente ecuación:

(1)

El volumen total de contraste se registró en mL, y el eTFG se registró en mL/min/1.73 m². El valor de eTFG utilizado para el cálculo de la RCG fue el valor preoperatorio de eTFG obtenido a partir de la primera muestra de sangre venosa recolectada tras la admisión y antes del procedimiento neurointervencionista. Para cada paciente, la RCG se calculó tras verificar tanto el volumen total de contraste como el eTFG. El numerador fue el volumen total de contraste en mL, y el denominador fue el eTFG en mL/min/1.73 m². La misma regla de cálculo se aplicó a todos los pacientes antes del desarrollo del modelo.

Selección de características y flujo de trabajo de ML

Para garantizar la solidez analítica, todas las variables clínicas y de laboratorio fueron sometidas a procedimientos sistemáticos de control de calidad antes del análisis. Se calculó la proporción de datos faltantes para cada variable candidata antes del desarrollo del modelo. En el conjunto de datos analítico final, no se observaron valores faltantes entre los predictores incluidos ni las etiquetas del resultado; por lo tanto, ninguna variable fue excluida debido a datos faltantes, y no fue necesario realizar imputación múltiple. El resumen detallado de datos faltantes se proporciona en la Tabla Suplementaria 1.

Todas las variables predictoras candidatas se evaluaron inicialmente mediante análisis univariados para evaluar su asociación con la ocurrencia de EIC. Los métodos estadísticos se seleccionaron según las características de distribución de los datos. Las variables con distribución normal se expresaron como media ± desviación estándar y se compararon utilizando la prueba t para muestras independientes. Las variables con distribución no normal se expresaron como mediana (rango intercuartílico, IQR) y se analizaron mediante la prueba U de Mann-Whitney. Las variables categóricas se presentaron como frecuencias y porcentajes y se analizaron utilizando la prueba de chi-cuadrado o la prueba exacta de Fisher. Se consideró estadísticamente significativo un valor de p < 0,05.

El conjunto completo de datos se dividió aleatoriamente en cohortes de entrenamiento y prueba en una proporción de 8:2 antes del desarrollo del modelo. Para minimizar el sobreajuste y reducir la multicolinealidad, se aplicó una regresión mediante el operador de contracción y selección por mínima absoluta (LASSO) combinada con validación cruzada de 10 pliegues para la selección de características. La selección de características, el ajuste de hiperparámetros y el desarrollo del modelo se realizaron únicamente con la cohorte de entrenamiento para evitar fugas de datos. La cohorte interna de prueba no se utilizó durante la estimación de parámetros de imputación, selección de características, ajuste de hiperparámetros ni entrenamiento del modelo, y solo se empleó una vez para la evaluación final del rendimiento. La optimización de hiperparámetros se llevó a cabo mediante una estrategia de búsqueda en cuadrícula con validación cruzada de 10 pliegues dentro de la cohorte de entrenamiento. Específicamente, la cohorte de entrenamiento se dividió aleatoriamente en 10 subconjuntos mutuamente excluyentes. Durante cada iteración, nueve subconjuntos se utilizaron para el entrenamiento del modelo y el subconjunto restante se empleó para la validación. Este proceso se repitió 10 veces para garantizar que cada subconjunto sirviera exactamente una vez como cohorte de validación.

Todos los análisis computacionales se realizaron en un entorno Python. El desarrollo y la evaluación del modelo de aprendizaje automático (ML) se llevaron a cabo utilizando scikit-learn. Los scripts de análisis utilizados para el preprocesamiento de datos, selección de características, entrenamiento del modelo, evaluación del rendimiento y el análisis de curva de decisión clínica (DCA) se proporcionaron como archivos de código suplementarios. Para la implementación del modelo, las características seleccionadas mediante regresión LASSO se utilizaron como variables de entrada para todos los clasificadores candidatos. Las variables continuas se estandarizaron mediante normalización del puntaje z dentro de la cohorte de entrenamiento, y los mismos parámetros de escalamiento se aplicaron a la cohorte de prueba interna. Las variables categóricas se codificaron según el esquema de codificación predefinido, y las definiciones de las variables y el esquema de codificación se proporcionan en Tabla Suplementaria 2. Se implementaron cinco clasificadores: Naive Bayes Gaussiano, SVM, KNN, LightGBM y MLP. Para SVM, se ajustaron el tipo de kernel, el parámetro de regularización C y el coeficiente del kernel gamma. Para KNN, se ajustó el número de vecinos y la estrategia de ponderación de la distancia. Para LightGBM, se ajustó el número de estimadores, la tasa de aprendizaje, la profundidad máxima del árbol y el número de hojas. Para MLP, se ajustó la estructura de capas ocultas, la función de activación, el parámetro de regularización y la tasa de aprendizaje. Naive Bayes Gaussiano se implementó utilizando el valor especificado de suavizado de varianza. La combinación óptima de hiperparámetros para cada modelo se seleccionó según el rendimiento de la validación cruzada dentro de la cohorte de entrenamiento. Las combinaciones finales de hiperparámetros optimizados seleccionadas para cada modelo se resumen en Tabla Suplementaria 3. Tras la selección de hiperparámetros, cada modelo final se reentrenó con toda la cohorte de entrenamiento y se evaluó una vez en la cohorte de prueba interna.

Comparaciones del rendimiento del modelo

Con base en los predictores seleccionados, se desarrollaron y compararon cinco modelos de ML. El rendimiento de los modelos se evaluó tanto en la cohorte de entrenamiento como en la de prueba mediante el área bajo la curva de característica operativa del receptor (AUC), el intervalo de confianza del 95 % (95 % CI), sensibilidad, especificidad y exactitud. Se generaron curvas de característica operativa del receptor para comparar el rendimiento discriminatorio de los diferentes modelos. El umbral óptimo de clasificación para cada modelo se determinó exclusivamente dentro de la cohorte de entrenamiento utilizando el índice de Youden. El umbral obtenido se fijó y se aplicó sin cambios a la cohorte de prueba interna para calcular las métricas de rendimiento dependientes del umbral.

Análisis de curva de decisión

Se realizó un análisis de decisión clínica (DCA) mediante el cálculo del beneficio neto de cada modelo a lo largo de un rango de probabilidades umbral, comparando la estrategia basada en el modelo con dos estrategias predeterminadas: tratar a todos los pacientes y no tratar a ningún paciente. Se eligió el DCA porque permite evaluar simultáneamente el desempeño discriminativo y la aplicabilidad clínica potencial en entornos de toma de decisiones perioperatorias. Para facilitar la reproducibilidad, se llevó a cabo todo el flujo de trabajo en la siguiente secuencia: identificación de pacientes a partir del sistema de historial médico electrónico, aplicación de los criterios de inclusión y exclusión, adjudicación de CIE por dos especialistas independientes, extracción y verificación cruzada de variables demográficas, antecedentes clínicos, de laboratorio y relacionadas con los procedimientos, cálculo de CGR, evaluación de datos faltantes y división en cohortes de entrenamiento y prueba, selección de características mediante LASSO dentro de la cohorte de entrenamiento, ajuste de hiperparámetros mediante validación cruzada de 10 pliegues, reajuste final del modelo en toda la cohorte de entrenamiento, evaluación en la cohorte de prueba interna, evaluación del desempeño basada en la curva ROC, determinación del umbral según el índice de Youden y DCA.

Resultados

Inscripción de pacientes y determinación de CIE

Se incluyó un total de 161 pacientes que se sometieron a procedimientos neurointervencionales en este estudio, entre los cuales 12 (7,5 %) desarrollaron EIC, mientras que 149 (92,5 %) no la desarrollaron. El proceso detallado de selección y agrupación de pacientes se muestra en la Figura 2. El diagnóstico de EIC se estableció en función de la asociación temporal entre el inicio de los síntomas y los procedimientos neurointervencionales, combinada con hallazgos de imágenes excluyentes. Los hallazgos representativos de neuroimágenes de EIC se presentan en la Figura 3A–D.

Las características demográficas, clínicas, de laboratorio y procedimentales basales de los dos grupos se resumen en la Tabla 1. No se observaron diferencias significativas entre los grupos con CIE y sin CIE en cuanto a edad, distribución por sexo o peso corporal (todas las p > 0,05). De manera similar, la prevalencia de comorbilidades comunes, incluyendo hipertensión, diabetes mellitus y enfermedad coronaria, no difirió significativamente entre los dos grupos (todas las p > 0,05). Los factores de estilo de vida, como el consumo de alcohol y el estado de tabaquismo, también fueron comparables.

En contraste, varias variables relacionadas con el laboratorio y el procedimiento mostraron diferencias significativas entre los dos grupos. Los pacientes del grupo con CIE presentaron niveles séricos de creatinina significativamente más altos en comparación con los del grupo sin CIE (mediana: 85,2 frente a 65,3 µmol/L, p = 0,004), mientras que su tasa de filtración glomerular estimada (eGFR) fue significativamente más baja (mediana: 81 frente a 102,7 mL/min/1,73 m², p < 0,001). En cuanto a las características del procedimiento, los procedimientos de embolización fueron significativamente más frecuentes en el grupo con CIE que en el grupo sin CIE (41,7 % frente a 2,0 %, p < 0,001). Además, las lesiones en la circulación posterior fueron significativamente más comunes entre los pacientes que desarrollaron CIE (58,3 % frente a 6,0 %, p < 0,001). No se observó diferencia significativa en el tipo de medio de contraste utilizado entre los dos grupos (p = 0,982). Asimismo, los pacientes del grupo con CIE recibieron un volumen significativamente mayor de agente de contraste durante el procedimiento (mediana: 200,0 frente a 165,0 mL, p = 0,005) y tuvieron procedimientos de mayor duración (mediana: 78,5 frente a 50,0 min, p = 0,008). Destacablemente, el CGR, un índice compuesto propuesto en este estudio, fue significativamente más alto en el grupo con CIE en comparación con el grupo sin CIE (mediana: 2,35 frente a 1,63, p < 0,001), lo que indica una fuerte asociación entre el CGR y la aparición de CIE.

Adquisición de variables perioperatorias y construcción de CGR

Las variables demográficas, de laboratorio y procedimentales perioperatorias se recopilaron y analizaron sistemáticamente según se describe en el protocolo. Entre estas variables, la relación contraste-glomerular (CGR), definida como la razón entre el volumen total de contraste y el eGFR, se construyó como un indicador compuesto que refleja el equilibrio entre la exposición al agente de contraste y la capacidad de eliminación renal. La CGR se asoció con la aparición de CIE en esta cohorte y se incluyó como un predictor candidato en los análisis de selección de características y desarrollo de modelos. Para comparar la CGR con sus componentes individuales, se realizó un análisis ROC comparativo utilizando la CGR, el volumen total de contraste y el eGFR. La CGR mostró la mayor capacidad discriminatoria para CIE, con un AUC de 0,959 (IC del 95 %: 0,924–0,985), en comparación con el volumen total de contraste (AUC = 0,745, IC del 95 %: 0,559–0,886) y el eGFR analizado en la dirección de riesgo inverso (AUC = 0,865, IC del 95 %: 0,764–0,951). La diferencia de AUC entre la CGR y el volumen total de contraste fue de 0,214, y la diferencia de AUC entre la CGR y el eGFR fue de 0,093. Los resultados detallados se proporcionan en la Tabla Suplementaria 4.

Selección de características y flujo de trabajo de ML

Para identificar los predictores más relevantes mientras se minimizaba la multicolinealidad, se aplicó una regresión LASSO con validación cruzada de 10 grupos a las variables candidatas. El perfil de coeficientes y las curvas de validación cruzada del modelo LASSO se presentan en Figura 4A y Figura 4B, respectivamente. La clasificación de los coeficientes LASSO del modelo final se muestra en Figura 5. En el valor óptimo de λ, se conservó un subconjunto de variables, incluyendo CGR, tipo de procedimiento, localización de la lesión, niveles de triglicéridos, creatinina sérica, eGFR y varias covariables clínicas. La clasificación cuantitativa de los predictores conservados según los coeficientes LASSO se proporciona en Tabla Suplementaria 5.

Comparaciones del rendimiento del modelo

Se desarrollaron cinco enfoques de ML —Naive Bayes, SVM, KNN, LightGBM y MLP— para predecir el riesgo de CIE. Su desempeño en los conjuntos de entrenamiento y prueba se resume en la Tabla 2, la comparación de precisión de los cinco modelos se muestra en la Figura 6, y las matrices de confusión correspondientes se proporcionan en la Figura Suplementaria 1, Figura Suplementaria 2, Figura Suplementaria 3, Figura Suplementaria 4 y Figura Suplementaria 5. Debido a que el conjunto de datos era notablemente desequilibrado, con 12 casos de CIE y 149 casos sin CIE, la precisión y las métricas basadas en umbrales deben interpretarse con cautela y junto con la sensibilidad, especificidad, AUC e intervalos de confianza. En el conjunto de entrenamiento, todos los modelos mostraron una buena capacidad discriminativa, con valores de AUC que oscilaron entre 0,961 y 0,999. En el conjunto de prueba interno, el modelo Naive Bayes mostró el valor numérico más alto (AUC = 0,952, IC del 95 %: 0,843–1,000), seguido por LightGBM (AUC = 0,944, IC del 95 %: 0,822–1,000) y SVM (AUC = 0,935, IC del 95 %: 0,796–1,000).

En el umbral óptimo de clasificación determinado por el índice de Youden, el modelo de Bayes ingenuo arrojó una sensibilidad del 100 % y una especificidad del 90,3 %. Dado que no se realizaron comparaciones estadísticas formales por pares entre las AUC de los modelos, las diferencias observadas entre los modelos deben interpretarse como descriptivas y exploratorias. Además, debido a que el conjunto de datos era notablemente desequilibrado y la cohorte interna de prueba era pequeña, con solo un número muy limitado de eventos de CIE, métricas basadas en umbrales, como la sensibilidad y la especificidad, podrían ser inestables y deben interpretarse con cautela. Las curvas de característica operativa del receptor (ROC) del modelo de Bayes ingenuo en los conjuntos de entrenamiento y prueba se presentan en la Figura 7.

Aunque el modelo MLP tuvo un buen desempeño en el conjunto de entrenamiento (AUC = 0,961), su rendimiento disminuyó considerablemente en el conjunto de prueba (AUC = 0,742), lo que sugiere un posible sobreajuste. De manera similar, el modelo KNN mostró una capacidad discriminatoria limitada en el conjunto de prueba (AUC = 0,718) con un intervalo de confianza amplio, lo que indica inestabilidad. Se utilizó la estrategia basada en el índice de Youden para determinar el umbral óptimo de clasificación para métricas dependientes del umbral, incluyendo sensibilidad, especificidad y exactitud. Los valores de ROC-AUC en sí son independientes del umbral. Por lo tanto, las métricas de desempeño dependientes del umbral que se informan reflejan el comportamiento del modelo en el punto de operación óptimo. Los umbrales óptimos de Youden y las métricas correspondientes basadas en umbrales se proporcionan en Supplementary Table 6. En general, el modelo Naive Bayes mostró un desempeño descriptivo relativamente estable entre los conjuntos de entrenamiento y de prueba interno, con una disminución numérica mínima en el AUC.

Análisis de curva de decisión

Se realizó un análisis de curva de decisión clínica (DCA) para evaluar la utilidad clínica de los modelos en un rango de probabilidades umbral. Las curvas de DCA se muestran en la Figura 8. Todos los modelos mostraron un beneficio neto positivo en rangos específicos de probabilidades umbral, en comparación con las estrategias de tratar a todos y no tratar a nadie. Entre los modelos evaluados, SVM presentó el rango más amplio de beneficio neto positivo, mientras que los otros modelos también mostraron utilidad clínica potencial dentro de rangos umbral específicos.

DISPONIBILIDAD DE LOS DATOS:

Los datos brutos desidentificados utilizados para respaldar los análisis principales se han cargado en GitHub y están disponibles en: https://doi.org/10.5281/zenodo.20043331. Todos los identificadores directos de pacientes fueron eliminados antes del intercambio de datos. Dado que este fue un estudio clínico retrospectivo basado en registros médicos hospitalarios, el acceso a cualquier información adicional a nivel de paciente sigue restringido por los requisitos institucionales de ética y privacidad. Datos desidentificados adicionales podrían estar disponibles a solicitud razonable del autor correspondiente y con la aprobación del comité de ética institucional. Los scripts de análisis estadístico, el código de entrenamiento del modelo de aprendizaje automático (ML) y el código de generación de figuras se han proporcionado como archivos complementarios para favorecer la reproducibilidad.

Figura 1: Flujo de trabajo del modelado de riesgo de EIC basado en datos perioperatorios. (A) Mecanismos de la EIC y derivación de la relación entre el volumen de contraste y la TFG estimada (CGR). (B) Integración de datos y selección de características basada en LASSO. (C) Desarrollo y comparación del modelo de aprendizaje automático (ML), donde Naive Bayes muestra el AUC numérico más alto en el conjunto de prueba interno (AUC ≈ 0,95). Abreviaturas: EIC = encefalopatía inducida por contraste; CGR = relación entre volumen de contraste y TFG estimada; TFG = tasa de filtración glomerular estimada; AUC = área bajo la curva. La figura se derivó de los datos clínicos propios de los autores, y la ilustración esquemática fue creada originalmente por los autores utilizando iconos modificados de Microsoft PowerPoint. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2: Selección de pacientes y asignación de cohortes. Diagrama de flujo que ilustra la selección de pacientes, evaluación de elegibilidad, criterios de exclusión y asignación a cohortes. Inicialmente se evaluaron 225 pacientes. Después de aplicar los criterios de inclusión, como edad entre 30 y 80 años, disponibilidad de datos clínicos completos y tomografía computarizada (TC) craneal posoperatoria dentro de los 3 días, 190 pacientes resultaron elegibles. Se excluyeron pacientes con infarto cerebral agudo, enfermedad renal crónica en estadio ≥ G4 (TFG estimado < 30 mL/min/1.73 m²), enfermedad cardiovascular grave, ausencia de tratamiento endovascular, déficit neurológico severo (puntuación en la escala modificada de Rankin ≥ 4) o datos incompletos. Finalmente, se incluyó a 161 pacientes, que se dividieron aleatoriamente en la cohorte de entrenamiento (n = 128) y la cohorte de prueba interna (n = 33) en una proporción de 8:2. Abreviaturas: CT = tomografía computarizada; eGFR = tasa de filtración glomerular estimada; CKD = enfermedad renal crónica; mRS = escala modificada de Rankin. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Imágenes seriadas de tomografía computarizada sin contraste en un paciente con EIC. (A) Tomografía computarizada basal antes del procedimiento. (B) Tomografía computarizada al inicio de los síntomas que muestra hiperdensidad cortical en el lóbulo parietal derecho (flecha). (C) Tomografía computarizada del primer día posoperatorio que muestra resolución parcial. (D) Tomografía computarizada del segundo día posoperatorio que muestra mayor resolución. Haga clic aquí para ver una versión más grande de esta figura.

Figura 4: Selección de características basada en LASSO. (A) Curva de validación cruzada de diez pliegues utilizada para determinar el valor óptimo de λ basado en el error cuadrático medio mínimo. (B) Perfiles de coeficientes de las variables candidatas graficados frente a log(λ), que muestran los cambios en los coeficientes de las variables con el aumento de la intensidad de regularización. Abreviaturas: LASSO = operador de contracción y selección por mínimos absolutos; λ = parámetro de regularización; MSE = error cuadrático medio. Haga clic aquí para ver una versión más grande de esta figura.

Figura 5: Coeficientes de las variables seleccionadas. Gráfico de barras que muestra los coeficientes de las variables conservadas tras la selección mediante LASSO. Los coeficientes positivos indican asociación positiva; los coeficientes negativos indican asociación inversa. Haga clic aquí para ver una versión más grande de esta figura.

Figura 6: Precisión en el entrenamiento y en la prueba de los cinco modelos de ML. Precisión de cinco modelos de ML (Naive Bayes, SVM, KNN, LightGBM, MLP) en los conjuntos de entrenamiento y prueba. Abreviaturas: SVM = máquina de vectores de soporte; KNN = k-vecinos más cercanos; LightGBM = máquina de incremento de gradiente ligera; MLP = perceptrón multicapa. Haga clic aquí para ver una versión más grande de esta figura.

Figura 7: Curvas ROC del modelo Naive Bayes. Curvas características de operación del receptor para las cohortes de entrenamiento y prueba interna, con los valores correspondientes del área bajo la curva. Abreviaturas: ROC = característica de operación del receptor; AUC = área bajo la curva. Haga clic aquí para ver una versión más grande de esta figura.

Figura 8: Análisis de la curva de decisión. DCA que muestra el beneficio neto de diferentes modelos a través de probabilidades umbral en comparación con las estrategias de tratar a todos y no tratar a nadie. Las regiones sombreadas indican rangos de probabilidad umbral en los que el modelo alcanzó un beneficio neto positivo en comparación con ambas estrategias, tratar a todos y no tratar a nadie. Abreviaturas: DCA = análisis de la curva de decisión. Haga clic aquí para ver una versión más grande de esta figura.

Figura suplementaria 1: Matriz de confusión del modelo Naive Bayes en la cohorte de prueba interna. La matriz muestra los números de muestras clasificadas correctamente e incorrectamente en el umbral de clasificación seleccionado.Haga clic aquí para descargar este archivo.

Figura suplementaria 2: Matriz de confusión del modelo SVM en la cohorte de prueba interna. La matriz muestra los números de muestras clasificadas correctamente e incorrectamente en el umbral de clasificación seleccionado.Haga clic aquí para descargar este archivo.

Figura suplementaria 3: Matriz de confusión del modelo KNN en la cohorte de prueba interna. La matriz muestra los números de muestras clasificadas correctamente e incorrectamente en el umbral de clasificación seleccionado.Haga clic aquí para descargar este archivo.

Figura suplementaria 4: Matriz de confusión del modelo LightGBM en la cohorte de prueba interna. La matriz muestra los números de muestras clasificadas correctamente e incorrectamente en el umbral de clasificación seleccionado.Haga clic aquí para descargar este archivo.

Figura suplementaria 5: Matriz de confusión del modelo MLP en la cohorte de prueba interna. La matriz muestra los números de muestras clasificadas correctamente e incorrectamente en el umbral de clasificación seleccionado.Haga clic aquí para descargar este archivo.

Característica	CIE ( n = 12 )	No CIE ( n = 149 )	valor p
Datos demográficos
Edad (años), mediana (RIC)	67 (62,5–69,0 )	63 ( 55,0–70,0 )	0,194
Hombre, n (%)	9 (75,0)	105 (70,5)	1,000
Peso (kg), mediana (RIC)	65 (55,0–70,0)	70 (60,0–77,5)	0,160
Comorbilidades, n (%)
Hipertensión	7 (58,3)	102 (68,5)	0,526
Diabetes	4 (33,0)	57 (38,3)	1,000
Enfermedad coronaria	2 (16,7)	23 (15,4)	1,000
Hábitos, n (%)
Consumo de alcohol	7 (58,3)	78 (52,3)	0,770
Estado de tabaquismo	7 (58,3)	59 (39,6)	0,233
Valores de laboratorio, mediana (RIC)
Creatinina sérica (μmol/L)	85,2 (65,0–89,0)	65,3 (54,9–75,7)	0,004
TFG estimado (mL/min/1,73m²)	81,0 (60,6–90,3)	102,7 (89,0–116,3)	<0,001
Colesterol total (mmol/L)	3,3 (3,0–4,4)	3,4 (2,9–4,1)	0,775
Triglicéridos (mmol/L)	1,8 (1,2–2,1)	1,2 (0,8–1,6)	0,017
Características del procedimiento
Tipo de procedimiento, n ( % )			<0,001
- Angioplastia con stent	7 (58,3)	146(98,0)
- Embolización	5 (41,7)	3 (2,0)
Localización de la lesión, n (%)			<0,001
- Circulación posterior	7 (58,3)	9 (6,0)
- Circulación anterior	5 (41,7)	140 (94,0)
Tipo de medio de contraste, n (%)			0,982
- Generación 2	6 (50,0)	75 (50,3)
- Generación 3	6(50,0)	74 (49,7)
Volumen total de contraste (mL), mediana (RIC)	200 (188,0–200,0)	165 (155,0–180,0)	0,005
Duración del procedimiento (min), mediana (RIC)	78,5 (52,5–124,5)	50 (47,0–57,0)	0,008
Índice novedoso
CGR, mediana (RIC)	2,35 (2,17–2,70)	1,63 (1,40–1,85)	<0,001

Tabla 1: Características clínicas basales de los pacientes. Se compararon las características demográficas, clínicas, de laboratorio y relacionadas con el procedimiento entre los grupos con EIC y sin EIC. Las variables continuas se presentan como media ± desviación estándar o mediana (rango intercuartílico), y las variables categóricas se presentan como número y porcentaje. Las comparaciones estadísticas entre grupos se realizaron utilizando pruebas paramétricas o no paramétricas adecuadas. Abreviaturas: EIC = encefalopatía inducida por contraste; eGFR = tasa de filtración glomerular estimada; CGR = relación entre volumen de contraste y eGFR; IQR = rango intercuartílico; SD = desviación estándar.

Nombre del modelo	Precisión	AUC	IC 95%	Sensibilidad	Especificidad	Conjunto de datos
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	entrenamiento
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	prueba
SVM	0.992	0.999	0.997–1.000	1.0	0.992	entrenamiento
SVM	0.879	0.935	0.796–1.000	1.0	0.871	prueba
KNN	0.891	0.969	0.941–0.997	1.0	0.881	entrenamiento
KNN	0.939	0.718	0.194–1.000	0.5	0.968	prueba
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	entrenamiento
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	prueba
MLP	0.914	0.961	0.908–1.000	0.9	0.915	entrenamiento
MLP	0.970	0.742	0.228–1.000	0.5	1.000	prueba

Tabla 2: Comparación del rendimiento de los modelos. El rendimiento predictivo de diferentes modelos de ML se evaluó utilizando la exactitud, el área bajo la curva (AUC), el intervalo de confianza del 95 % (IC), la sensibilidad y la especificidad en los conjuntos de datos de entrenamiento y de prueba interna. Abreviaturas: IC = intervalo de confianza.

Tabla suplementaria 1: Resumen de la evaluación de datos faltantes antes del desarrollo del modelo. Resumen de los valores faltantes para todas las variables predictoras candidatas antes del desarrollo del modelo. No se observaron valores faltantes entre las variables incluidas; por lo tanto, no se realizó ningún procedimiento de imputación.Haga clic aquí para descargar este archivo.

Tabla suplementaria 2: Diccionario de variables del conjunto de datos analítico. Definiciones, métodos de codificación, categorías de variables y descripciones de las variables clínicas, de laboratorio y relacionadas con procedimientos incluidas en el análisis de ML.Haga clic aquí para descargar este archivo.

Tabla suplementaria 3: Espacio de búsqueda de hiperparámetros y parámetros seleccionados para los modelos de ML. Se resumen los rangos candidatos de hiperparámetros y los parámetros optimizados obtenidos durante el ajuste del modelo para cada algoritmo de ML.Haga clic aquí para descargar este archivo.

Tabla suplementaria 4: Análisis comparativo de ROC de CGR y sus componentes individuales. Se realizó un análisis de características operativas del receptor para comparar el rendimiento predictivo de CGR y sus componentes individuales en la predicción de CIE.Haga clic aquí para descargar este archivo.

Tabla suplementaria 5: Clasificación de características cuantitativas según los coeficientes LASSO. Las variables seleccionadas se clasificaron según sus valores de coeficiente tras la regresión LASSO, lo que muestra la contribución relativa y la dirección de la asociación de cada variable en el modelo predictivo.Haga clic aquí para descargar este archivo.

Tabla suplementaria 6: Umbrales de Youden determinados en la cohorte de entrenamiento y métricas correspondientes de rendimiento de clasificación. El umbral óptimo para cada modelo se determinó exclusivamente en la cohorte de entrenamiento utilizando el índice de Youden y posteriormente se fijó y aplicó a la cohorte de prueba interna. La precisión, sensibilidad y especificidad en la cohorte de prueba interna se calcularon utilizando estos umbrales fijos.Haga clic aquí para descargar este archivo.

Discusión

La EIC es una complicación rara pero potencialmente grave tras procedimientos neurointervencionistas, caracterizada por una disfunción neurológica aguda que ocurre poco después de la exposición a agentes de contraste. Aunque la afección es típicamente reversible, en algunos casos puede provocar déficits neurológicos persistentes o incluso resultados potencialmente mortales, lo que subraya la importancia de la identificación temprana de riesgos^17,18,19,20. Sin embargo, los mecanismos fisiopatológicos subyacentes a la EIC son complejos y multifactoriales, e implican interacciones entre factores específicos del paciente, propiedades del agente de contraste y características del procedimiento^{9,10,21,22,23,24}. Esta complejidad hace extremadamente difícil lograr una evaluación precisa del riesgo perioperatorio basada únicamente en variables clínicas individuales o en juicios empíricos.

En este estudio, se construyeron y evaluaron cinco modelos de ML para predecir el riesgo de CIE en pacientes sometidos a intervención cerebrovascular. Tras la comparación descriptiva del rendimiento, el modelo Naive Bayes se identificó como el que presentó el rendimiento descriptivo más equilibrado en este estudio. En cuanto a la capacidad de discriminación del modelo, el modelo Naive Bayes mostró el valor numérico de AUC más alto en la cohorte de prueba interna (AUC = 0,952; IC del 95 %: 0,843–1,000), en comparación con LightGBM (AUC = 0,944; IC del 95 %: 0,822–1,000), SVM (SVM; AUC = 0,935; IC del 95 %: 0,796–1,000), MLP (MLP; AUC = 0,742; IC del 95 %: 0,228–1,000) y el algoritmo KNN (KNN; AUC = 0,718; IC del 95 %: 0,195–1,000). Dado que no se realizó una comparación estadística formal por pares entre las AUC de los modelos, estas diferencias deben interpretarse como descriptivas y no como evidencia definitiva de superioridad de un modelo. Cabe destacar que KNN y MLP tuvieron un buen desempeño en el conjunto de entrenamiento (AUC = 0,969 y 0,961, respectivamente), pero su rendimiento disminuyó considerablemente en el conjunto de prueba, lo que sugiere un posible sobreajuste²⁵. En contraste, el modelo Naive Bayes mantuvo valores de AUC descriptivos similares entre las cohortes de entrenamiento y de prueba interna (diferencia de AUC = 0,009), lo que indica un rendimiento descriptivo relativamente estable en este conjunto de datos. Sin embargo, esta aparente estabilidad debe interpretarse con cautela, ya que la cohorte de prueba interna incluyó solo a 33 pacientes y un número muy reducido de eventos de CIE.

Desde una perspectiva práctica, la estructura probabilística relativamente simple del clasificador Naive Bayes podría ser adecuada para conjuntos de datos clínicos con muestras pequeñas, especialmente cuando el número de eventos de resultado es limitado. En este estudio, el modelo Naive Bayes mostró un rendimiento descriptivo relativamente equilibrado entre las cohortes de entrenamiento y de prueba interna. Sin embargo, dado que la cohorte de prueba interna era pequeña y contenía muy pocos eventos de EIC, esta estabilidad aparente debe interpretarse con cautela y requiere validación externa. El rendimiento descriptivo relativamente favorable del modelo Naive Bayes en este conjunto de datos podría estar relacionado con su estructura probabilística simple y su idoneidad para entornos con muestras pequeñas bajo el supuesto de independencia entre características^14,15. En contraste, modelos más complejos como MLP y LightGBM son más propensos al sobreajuste en condiciones con muestras limitadas, lo que reduce su capacidad de generalización. Estos hallazgos también sugieren que, en campos de investigación clínicos de alto riesgo, como la neurointervención, la selección del modelo debería hacer hincapié más en la estabilidad, reproducibilidad y viabilidad clínica, en lugar de perseguir ciegamente la superioridad absoluta de algoritmos complejos o métricas individuales de rendimiento. El análisis de curva de decisión (DCA) sugirió que el modelo Naive Bayes podría aportar un beneficio neto en rangos seleccionados de probabilidades umbral, aunque este hallazgo sigue siendo exploratorio y requiere validación externa. Además, su estructura simple, su eficiencia computacional y su interpretabilidad podrían respaldar su evaluación futura como modelo exploratorio de estratificación de riesgo perioperatorio, aunque se requiere validación externa antes de su implementación clínica. Desde una perspectiva clínica, la incidencia de EIC en este estudio fue del 7,5 %, superior al 2 %–5 % generalmente documentado en informes previos⁷. Esta discrepancia se debe principalmente al carácter altamente selectivo de la población estudiada: la cohorte se centró en pacientes con enfermedad cerebrovascular que se sometieron a procedimientos neurointervencionales complejos, como la embolización de aneurismas. El contraste único entre los patrones de administración de agentes asociados con estos procedimientos, como la angiografía superselectiva y la retención local con dosis alta, así como la mayor duración de los procedimientos, son todos factores de riesgo reconocidos para la EIC^9,10,26. Además, el mayor riesgo basal de los pacientes eleva aún más la tasa de incidencia general. Los hallazgos del estudio destacan que las lesiones de la circulación posterior y los procedimientos de embolización son fuertes predictores de EIC. Anatómicamente, la circulación posterior (sistema vertebrobasilar) irriga el tronco encefálico, el cerebelo y el lóbulo occipital. El lóbulo occipital presenta una sensibilidad extremadamente alta a la toxicidad del agente de contraste, lo que explica por qué los pacientes con EIC suelen presentar ceguera cortical. Además, las características hemodinámicas del sistema vertebrobasilar difieren de las de la circulación anterior, lo que podría explicar parcialmente la asociación observada entre lesiones de la circulación posterior y EIC en esta cohorte.

Los procedimientos de embolización suelen ser más difíciles que la angioplastia simple, ya que requieren con frecuencia angiografías superseleccionadas para confirmar la posición de las espirales y el grado de oclusión del trombo, lo que resulta en una exposición pico significativamente mayor al agente de contraste en el lecho vascular local por unidad de tiempo en comparación con procedimientos rutinarios. Esta exposición intensa y localizada al contraste podría ser un factor biológicamente plausible en la alteración de la barrera hematoencefálica, aunque este mecanismo no pudo verificarse directamente en el presente estudio retrospectivo. En concordancia con el análisis de las características basales, los pacientes del grupo con EIC presentaron tasas significativamente más altas de tratamiento por embolización y una proporción mayor de lesiones en la circulación posterior en comparación con aquellos del grupo sin EIC, lo que sugiere que la complejidad quirúrgica y la localización anatómica de la lesión podrían estar asociadas con la aparición de la EIC. Además, la mayor duración del procedimiento y el mayor uso total de agente de contraste en el grupo con EIC subrayan aún más el impacto acumulativo de los factores de estrés relacionados con la cirugía en el riesgo de desarrollo de EIC.

Para mejorar la interpretabilidad clínica del modelo, este estudio evaluó la RC como un índice compuesto exploratorio. El riesgo de ocurrencia de EIC no depende únicamente de la dosis absoluta de agente de contraste que ingresa a la vasculatura cerebral, sino que también está estrechamente relacionado con la velocidad a la que el agente de contraste se elimina de la circulación sistémica. La RC integra el volumen total de contraste y el TFGe en un único índice compuesto que refleja la carga del agente de contraste en relación con la capacidad de eliminación renal. Este enfoque de diseño se basa en el paradigma bien establecido de índices basados en razones utilizado para predecir la nefropatía inducida por contraste (NIC), como la relación entre el volumen del agente de contraste y el TFGe²⁷, y se alinea con las estrategias actuales para construir biomarcadores integrales como la relación neutrófilos-linfocitos (NLR)²⁸ y el índice triglicéridos-glucosa (TyG)²⁹, todos los cuales buscan revelar los estados fisiopatológicos subyacentes de las enfermedades. Los agentes de contraste yodados se excretan principalmente por los riñones en su forma original. Cuando la eliminación renal está reducida, la exposición sistémica a los agentes de contraste yodados puede prolongarse, lo que podría aumentar la exposición endotelial al agente de contraste. Durante los procedimientos neurointervencionales, los agentes de contraste a menudo se inyectan directamente en la circulación cerebral a través de las arterias carótidas internas o vertebrales en altas concentraciones; el gradiente extremo de presión osmótica local puede alterar la integridad de la BHE³⁰. En ese momento, si la eliminación sistémica está comprometida, el agente de contraste acumulado en el torrente sanguíneo puede continuar manteniendo un gradiente de concentración a través de la BHE, favoreciendo la difusión del agente de contraste hacia el espacio intersticial cerebral. Además, la RC podría ofrecer una forma clínicamente intuitiva de integrar la carga de contraste y la depuración renal, pero su valor predictivo adicional frente al volumen de contraste o al TFGe por separado requiere una validación adicional. Por lo tanto, la RC podría servir como un índice exploratorio para la estratificación del riesgo de EIC en el período perioperatorio.

Este estudio encontró que el tipo de agente de contraste (de segunda generación, bajo en osmolaridad frente al de tercera generación, iso-osmolar) no tuvo un valor predictivo independiente significativo para la EIC (p = 0,982). Este hallazgo no es del todo consistente con algunos informes previos. Una posible explicación es que factores distintos de la osmolaridad, como la toxicidad química o la viscosidad, podrían contribuir a la neurotoxicidad del agente de contraste; sin embargo, esta interpretación sigue siendo especulativa y requiere una validación mecanicista adicional. Esta interpretación se apoya en estudios clínicos y mecanicistas previos^31,32. Además, en la práctica clínica, los operadores pueden seleccionar preferentemente agentes de contraste iso-osmolares de tercera generación para pacientes de alto riesgo, lo que introduce un posible sesgo de confusión relacionado con la indicación que podría enmascarar cualquier diferencia subyacente entre los distintos tipos de agentes de contraste.

Debe hacerse hincapié en varios pasos críticos del protocolo para la aplicación exitosa de este flujo de trabajo. Primero, la adjudicación rigurosa de los resultados es esencial porque una clasificación inexacta de la EIC afectaría directamente el entrenamiento y la evaluación del modelo. Los casos sospechosos de EIC deben evaluarse utilizando la relación temporal entre la exposición al contraste y el inicio de los síntomas, las manifestaciones neurológicas, los hallazgos de imágenes posoperatorias y la exclusión de diagnósticos alternativos. Segundo, la extracción y verificación precisas del volumen total de contraste y del FGe son importantes porque estas dos variables determinan el cálculo de la RCG. Tercero, la RCG debe calcularse utilizando la misma regla para todos los pacientes tras confirmar tanto el volumen total de contraste como el FGe. Cuarto, la selección de características, la estimación de parámetros de imputación, el ajuste de hiperparámetros y el entrenamiento del modelo deben realizarse únicamente dentro de la cohorte de entrenamiento para evitar fugas de datos. Por último, dado que la EIC es poco común y el número de eventos es limitado, el desempeño del modelo debe interpretarse con cautela y validarse externamente antes de su implementación clínica³³.

También se deben considerar varias modificaciones del método y estrategias de solución de problemas al aplicar este flujo de trabajo en otros entornos. Si la proporción de datos faltantes es alta, los investigadores deben determinar primero si la ausencia de datos es aleatoria y deben evitar la imputación de variables con una cantidad excesiva de datos faltantes. Si el número de eventos de EIC es muy pequeño, se debe reducir la complejidad del modelo, y pueden preferirse modelos más simples o penalizados para reducir el sobreajuste. Si el flujo de trabajo se aplica en otro centro, las definiciones de variables, reglas de codificación, métodos de cálculo del TFGe, prácticas de registro del volumen de contraste y criterios de revisión de imágenes deben armonizarse antes del entrenamiento del modelo. Si el rendimiento del modelo disminuye durante la validación interna o externa, deben examinarse posibles causas como desequilibrio de clases, fugas de datos, preprocesamiento inconsistente, selección inestable de características y diferencias en la mezcla de casos de pacientes. Para los casos con diagnóstico de EIC incierto, se recomienda la adjudicación por múltiples clínicos experimentados y la exclusión cuidadosa de diagnósticos alternativos antes del desarrollo del modelo.

Este estudio tiene las siguientes limitaciones: Primero, este estudio adopta un diseño retrospectivo de un solo centro con un número limitado de eventos de EIC. Solo ocurrieron 12 eventos de EIC entre los 161 pacientes incluidos, y la cohorte de prueba interna incluyó únicamente 33 pacientes con un número muy reducido de casos de EIC. Por lo tanto, las métricas de rendimiento, como el AUC, la sensibilidad y la especificidad, podrían ser inestables y altamente sensibles a la clasificación de solo uno o dos casos. En el futuro, será necesario realizar una validación externa mediante estudios prospectivos multicéntricos y de gran tamaño muestral para confirmar aún más la fiabilidad del modelo. Segundo, el modelo desarrollado en este estudio se basa principalmente en variables clínicas rutinarias recopiladas antes y durante la cirugía. En el futuro, podríamos integrar aún más parámetros cinéticos de agentes de contraste intraoperatorios, características de imágenes tempranas posoperatorias y biomarcadores séricos específicos para construir un sistema de predicción de riesgo de EIC más dinámico y completo. Tercero, la baja incidencia de EIC (7,5 %) provocó un marcado desequilibrio entre clases, con solo 12 casos de EIC y 149 casos sin EIC. Este desequilibrio podría reducir la fiabilidad de las métricas de rendimiento del modelo. La exactitud podría sobreestimar el rendimiento del modelo cuando la clase sin EIC domina el conjunto de datos, mientras que la sensibilidad, la especificidad, el valor predictivo positivo y el valor predictivo negativo podrían ser inestables porque están influenciados por un número muy pequeño de eventos de EIC. Por lo tanto, el modelo propuesto debe considerarse actualmente como un marco exploratorio de estratificación de riesgo y no como una herramienta definitiva para la toma de decisiones clínicas. No se realizó una validación adicional mediante validación cruzada repetida ni basada en remuestreo en el presente estudio, ya que el número de eventos de EIC fue muy limitado, y dichos análisis podrían seguir produciendo estimaciones inestables ante un marcado desequilibrio entre clases. Se requiere una validación externa multicéntrica y una evaluación prospectiva antes de su implementación clínica.

En resumen, este estudio comparó sistemáticamente varios modelos de aprendizaje automático (ML) y encontró que el modelo de Naive Bayes mostró el rendimiento descriptivo más equilibrado para la predicción de CIE en el conjunto de datos actual. Este modelo podría proporcionar un apoyo preliminar para la estratificación del riesgo perioperatorio, pero su utilidad clínica requiere una validación adicional. Además, este estudio evaluó la CGR como una métrica compuesta exploratoria, que cuantifica el desequilibrio entre la «carga del agente de contraste y la depuración renal». La CGR surgió como uno de los predictores más influyentes en el modelo y podría aportar información útil para la evaluación individualizada del riesgo perioperatorio. Estos hallazgos podrían ayudar a generar hipótesis para identificar pacientes de alto riesgo que se someten a procedimientos neurointervencionistas, pero se necesitan estudios adicionales con muestras más grandes y validación externa. Se requieren estudios futuros con muestras más grandes y validación externa para determinar si los modelos predictivos multimodales pueden mejorar la estratificación del riesgo de CIE y apoyar una prevención y manejo más precisos de esta complicación.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Sistema electrónico de historias médicas	Hospital General del Teatro Norte	Sistema clínico institucional	Utilizado para la extracción retrospectiva de datos Recopilación de variables demográficas y del historial clínico
Sistema de información de laboratorio	Hospital General del Teatro Norte	Sistema de laboratorio institucional	Utilizado para la extracción retrospectiva de datos de laboratorio Recopilación de creatinina sérica, TFG estimado, perfil lipídico y otros datos de laboratorio
Sistema de angiografía por sustracción digital	Philips	Allura Xper FD 20 (con Estación de Trabajo Intervencionista R1.3.2)	Utilizado durante procedimientos clínicos de rutina Procedimiento neurointervencional y registro del uso de contraste
Escáner de tomografía computarizada	Philips	Ingenuity CT	Utilizado para la evaluación postoperatoria mediante imágenes Evaluación postoperatoria craneal mediante tomografía computarizada
Plataforma OnekeyAI para análisis de datos estructurados	OnekeyAI	20240916	Utilizada como herramienta de investigación; sin participación en la toma de decisiones clínicas Preprocesamiento de datos estructurados, construcción del modelo, evaluación del modelo y generación de figuras
Python	Fundación Python	3.7.12	Lenguaje de programación de código abierto Preprocesamiento de datos, análisis estadístico, desarrollo de modelos y visualización
scikit-learn	Desarrolladores de scikit-learn	1.0.2	Biblioteca de aprendizaje automático de Python de código abierto LASSO, Bayes ingenuo, SVM, KNN, MLP, análisis ROC y métricas de rendimiento