Un cadre exploratoire d'apprentissage automatique (ML) utilisant des données périopératoires a été évalué afin de prédire l'encéphalopathie induite par le produit de contraste (CIE) après des procédures neuro-interventionnelles. Le modèle de Bayes naïf a présenté la performance descriptive la plus équilibrée, et le rapport contraste/eGFR (CGR) a été identifié comme un prédicteur candidat important pour l'évaluation individualisée du risque.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
Prédiction par apprentissage automatique de l'encéphalopathie induite par le produit de contraste après des procédures neuro-interventionnelles
* These authors contributed equally
Dans cet article
Résumé
Résumé
L'IEC est une complication rare mais grave survenant après des procédures neuro-interventionnelles, pour laquelle des outils prédictifs non invasifs fiables font encore défaut. Cette étude visait à développer et à valider un modèle d'apprentissage automatique (ML) permettant de prédire l'IEC à partir de données cliniques et procédurales périopératoires, et à évaluer la valeur prédictive du rapport CRP/glycémie (CGR) pour l'IEC. Il s'agissait d'une étude rétrospective monocentrique ayant inclus de façon consécutive 161 patients ayant bénéficié de procédures neuro-interventionnelles au sein du service de neurochirurgie de l'Hôpital Général du Théâtre du Nord entre janvier 2024 et décembre 2025. Les prédicteurs périopératoires candidats de l'IEC ont été identifiés par analyse univariée combinée à une régression LASSO. À partir des variables sélectionnées, cinq modèles d'apprentissage automatique — Bayésien naïf, machine à vecteurs de support (SVM), k plus proches voisins (KNN), LightGBM et perceptron multicouche (MLP) — ont été entraînés et optimisés. Les performances des modèles ont été évaluées de manière exhaustive à l'aide de la surface sous la courbe caractéristique de fonctionnement du récepteur (AUC), ainsi que par analyse de la courbe décisionnelle (DCA). Parmi les modèles évalués, le modèle Bayésien naïf a présenté la meilleure performance descriptive dans le jeu de test interne, avec une AUC de 0,952 (IC 95 % : 0,843–1,000), une sensibilité de 100 % et une spécificité de 90,3 % ; toutefois, ces métriques doivent être interprétées avec prudence, car le jeu de données était fortement déséquilibré et la cohorte de test interne était petite, ne contenant qu'un nombre très limité d'événements d'IEC. Les résultats de l'analyse DCA ont suggéré un bénéfice net clinique potentiel pour des probabilités seuils sélectionnées. L'analyse d'importance des variables a indiqué que le CGR figurait parmi les prédicteurs candidats les plus élevés associés au risque d'IEC dans ce jeu de données. Le modèle Bayésien naïf évalué dans cette étude pourrait fournir un cadre préliminaire de stratification du risque pour l'évaluation périopératoire de l'IEC après des procédures neuro-interventionnelles. Le CGR s'est révélé être une caractéristique prédictive importante et pourrait contribuer à une stratification individualisée du risque. Une validation externe supplémentaire est nécessaire avant toute application clinique.
Introduction
Au cours des deux dernières décennies, les techniques interventionnelles mini-invasives ont profondément transformé le paradigme thérapeutique des maladies cérébrovasculaires1. Les procédures neuro-interventionnelles—grâce à leur efficacité élevée et à leur caractère peu invasif—sont devenues des options thérapeutiques importantes pour certains troubles cérébrovasculaires2. Toutefois, à mesure que la complexité des procédures interventionnelles augmente, les doses d'agents de contraste utilisées pendant les interventions, les pressions d'injection et la durée d'exposition à l'agent de contraste augmentent également. En conséquence, les complications liées aux agents de contraste font l'objet d'une attention croissante3,4,5,6,7. L'encéphalopathie induite par les agents de contraste (CIE), une dysfonction neurologique aiguë et transitoire provoquée par les produits de contraste iodés (ICM), est de plus en plus reconnue comme une complication cliniquement pertinente, notamment lors de procédures neuro-interventionnelles complexes. Les manifestations cliniques typiques de la CIE apparaissent généralement quelques minutes à 24 heures après l'exposition à l'agent de contraste et incluent des troubles de la conscience (tels que somnolence, délire ou coma), une cécité corticale, des déficits neurologiques focaux (tels qu'une hémiparésie ou une aphasie) et des crises convulsives4,5,6. Bien que la plupart des cas de CIE soient spontanément résolutifs et que les symptômes disparaissent généralement en 48 à 72 heures, certains patients peuvent présenter un déficit neurologique persistant. Des cas graves peuvent même entraîner le décès en raison d'un œdème cérébral massif4,7. Cette imprévisibilité des issues souligne l'urgence de développer un outil fiable permettant une prédiction précoce du risque en période périopératoire.
Alors que le volume des données cliniques ne cesse de croître, les méthodes statistiques traditionnelles deviennent de plus en plus inadéquates face aux données médicales multidimensionnelles présentant une multicolinéarité. De plus, les analyses univariées ou les modèles simples de régression logistique échouent souvent à capturer les interactions complexes et non linéaires entre les variables. L’apprentissage machine (ML) offre une nouvelle approche pour relever ces défis8. Les algorithmes d’apprentissage machine — tels que les machines à vecteurs de support (SVM), les méthodes de boosting par gradient (LightGBM) et les perceptrons multicouches (MLP) — sont capables d’identifier automatiquement des motifs latents dans des espaces de caractéristiques de haute dimension et de construire des modèles non linéaires dotés de puissantes capacités prédictives8,9,10,11. Toutefois, dans la quête de précision prédictive, le caractère « boîte noire » de ces algorithmes, marqué par leur manque d’interprétabilité, soulève souvent des préoccupations quant à la confiance dans la prise de décision médicale12,13. En revanche, l’algorithme de Bayes naïf, grâce à sa logique probabiliste simple et à son interprétabilité intrinsèque, présente des avantages uniques dans les études cliniques portant sur de petits échantillons14,15. En évaluant la contribution de chaque variable prédictive à la probabilité postérieure de l’événement cible, le modèle de Bayes naïf assure non seulement une bonne performance prédictive, mais fournit également aux cliniciens des indications intuitives d’aide à la décision. En outre, afin d’évaluer quantitativement le déséquilibre entre la charge en agent de contraste et la capacité individuelle d’élimination, cette étude introduit de façon innovante le rapport entre l’agent de contraste et l’eGFR (CGR) comme caractéristique centrale. Chez les patients ayant une réserve fonctionnelle rénale réduite, même des doses modérées d’agents de contraste peuvent entraîner des valeurs de CGR extrêmement élevées, augmentant potentiellement la susceptibilité à l’IEC. Le CGR pourrait constituer une mesure composite cliniquement intuitive intégrant la charge en agent de contraste et la capacité d’élimination rénale, bien que sa valeur prédictive supplémentaire doive être confirmée par des études ultérieures. En intégrant ce biomarqueur composite, cette étude visait à élaborer un cadre prédictif reflétant plus fidèlement la réalité physiopathologique.
En résumé, cette étude visait à développer et à valider un modèle prédictif de CIE fondé sur l'apprentissage automatique (ML), en utilisant des variables cliniques et procédurales périopératoires16. Les objectifs spécifiques comprennent : (1) l'introduction et l'évaluation du CGR en tant qu'indice composite exploratoire ; (2) la construction et la comparaison des performances de cinq modèles d'apprentissage automatique — Naive Bayes, SVM, KNN, LightGBM et MLP ; et (3) l'identification du modèle optimal. Étant donné le nombre limité d'événements CIE, la comparaison des modèles a été considérée comme exploratoire et génératrice d'hypothèses. En définitive, cette étude pourrait fournir un cadre préliminaire de stratification du risque de CIE en pratique neuro-interventionnelle, mais elle ne devrait pas être utilisée comme outil autonome d'aide à la décision clinique sans une validation externe. La base conceptuelle du CGR et sa relation avec l'exposition au produit de contraste et l'élimination rénale sont illustrées dans Figure 1A. Le flux global de l'étude, incluant le prétraitement des données, la séparation en ensembles d'apprentissage et de test, la sélection des caractéristiques et l'élaboration du modèle, est résumé dans Figure 1B. Le cadre d'évaluation comparative des cinq modèles d'apprentissage automatique est présenté dans Figure 1C.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
Le protocole de l'étude a été examiné et approuvé par le Comité d'éthique de l'Hôpital général du Commandement théâtral du Nord (n° d'approbation : Éthique Y (2026) 75). Bien que les données cliniques proviennent de patients traités entre janvier 2024 et décembre 2025, la présente étude a été menée comme une analyse rétrospective des dossiers cliniques existants. L'approbation éthique obtenue en 2026 couvrait l'extraction de données rétrospectives, leur anonymisation, leur analyse et la publication de ces données cliniques préalablement collectées. Aucune intervention prospective ni recrutement de patients n'a été effectué avant l'obtention de l'approbation éthique. L'exigence de consentement éclairé écrit a été levée en raison de la conception de l'étude observationnelle rétrospective. Toutes les procédures ont été réalisées conformément à la Déclaration d'Helsinki, et toutes les données cliniques ont été anonymisées avant l'analyse. L'analyse actuelle a été réalisée dans le cadre d'un projet de recherche clinique rétrospectif approuvé portant sur les données neuro-interventionnelles. Les matériaux et équipements nécessaires aux procédures décrites ci-dessous sont résumés dans le Tableau des matériaux.
Inclusion des patients et détermination de la CIE
Les patients potentiellement éligibles ont été identifiés en interrogeant le système de dossier médical électronique pour les patients traités au Département de neurochirurgie de l'Hôpital général du Commandement théâtral du Nord entre janvier 2024 et décembre 2025. La recherche initiale a été limitée par la date d'admission, le service, le diagnostic de maladie cérébrovasculaire et les dossiers de procédures neuro-interventionnelles. Le flux détaillé de dépistage des patients et d'affectation de la cohorte est illustré dans la Figure 2. Les patients étaient éligibles à l'inclusion s'ils répondaient à tous les critères suivants : (1) âge compris entre 30 et 80 ans ; (2) diagnostic de maladie cérébrovasculaire nécessitant une évaluation ou un traitement neuro-interventionnel ; (3) disponibilité de dossiers cliniques complets et de résultats d'analyses de laboratoire ; et (4) examen tomodensitométrique cérébral postopératoire réalisé dans les trois jours suivant l'intervention chirurgicale.
Les patients ont été exclus s'ils présentaient des données cliniques ou d'imagerie incomplètes, n'avaient pas subi d'intervention endovasculaire, avaient des déficits neurologiques sévères préopératoires (score à l'échelle de Rankin modifiée ≥4), présentaient un infarctus cérébral aigu sur l'imagerie de diffusion préopératoire, souffraient d'une maladie rénale chronique au stade G4 ou supérieur selon les critères de la maladie rénale : améliorer les résultats mondiaux (KDIGO), ou présentaient une maladie cardiovasculaire sévère. Les critères d'inclusion et d'exclusion ont été appliqués de manière séquentielle. Après la recherche électronique initiale, chaque dossier éligible a été examiné manuellement afin de confirmer l'éligibilité et de noter le motif d'exclusion le cas échéant. Après le tri, les patients éligibles ont été répartis aléatoirement entre les cohortes d'entraînement et de test selon un ratio de 8:2, comprenant une cohorte d'entraînement (n = 128) et une cohorte de test (n = 33). Un échantillonnage aléatoire stratifié a été utilisé afin de maintenir une répartition homogène des cas avec CIE et sans CIE entre les deux cohortes.
Le diagnostic de l'ENC reposait principalement sur l'association temporelle entre l'apparition des symptômes et les interventions cérébrovasculaires, combinée à une évaluation d'imagerie d'exclusion. Deux spécialistes indépendants en intervention cérébrovasculaire ont examiné les dossiers cliniques postopératoires, le moment de l'apparition des symptômes, les manifestations neurologiques et les résultats d'imagerie postopératoire pour tous les cas suspects. Les désaccords ont été résolus par discussion jusqu'à obtention d'un consensus. Un patient était considéré comme compatible avec l'ENC si une cécité corticale nouvellement apparue, une altération de la conscience (incluant somnolence, délire ou coma), une crise convulsive ou des déficits neurologiques focaux tels qu'une hémiparésie ou une aphasie survenaient dans les 24 heures suivant la fin de la procédure neuro-interventionnelle.
Après l'apparition des symptômes, les causes alternatives susceptibles de provoquer des manifestations neurologiques similaires ont été exclues par l'analyse des images de tomodensitométrie (TDM) ou d'IRM postopératoires conjointement avec l'évolution clinique. La tomodensitométrie cérébrale postopératoire a été réalisée selon le protocole institutionnel standard de TDM crânienne sans injection de produit de contraste. Les paramètres essentiels d'acquisition comprenaient une tension du tube de 80 kVp, un courant du tube de 260 mA, une épaisseur de coupe de 0,5 mm et une reconstitution axiale standard. Les images ont été analysées en fenêtres cérébrale et osseuse par des cliniciens expérimentés. Lors du diagnostic différentiel, on a pris en compte les hémorragies intracrâniennes aiguës, les hémorragies sous-arachnoïdiennes, les hémorragies intracérébrales, les infarctus cérébraux récents de grande étendue, les modifications liées aux crises convulsives, les infections et les troubles métaboliques. Les examens tomodensitométriques réalisés après l'apparition des symptômes montraient généralement un œdème cérébral focal ou diffus et des ombres hyperdenses touchant le cortex, les régions sous-corticales ou l'espace sous-arachnoïdien, simulant des lésions hémorragiques. Les résultats de l'IRM montrent habituellement un gonflement cortical, en particulier au niveau du cortex temporo-pariéto-occipital. Chez certains patients, toutefois, les examens tomodensitométriques ou par IRM ne révélaient aucune anomalie évidente malgré des manifestations cliniques concordantes.
Acquisition des variables périopératoires et construction du CGR
Les données démographiques générales, notamment l'âge, le sexe et le poids corporel, ont été extraites des champs structurés du système de dossier médical électronique. Les variables de l'historique clinique, notamment l'antécédent de tabagisme, l'antécédent de consommation d'alcool, l'hypertension artérielle, le diabète sucré et la maladie coronarienne, ont été extraites des comptes rendus d'admission, des antécédents médicaux et des diagnostics de sortie, puis vérifiées pour assurer leur cohérence. Les données de laboratoire ont été extraites du système d'information de laboratoire. Pour chaque patient, l'échantillon sanguin veineux prélevé en premier après l'admission et avant la procédure neuro-interventionnelle a été utilisé. Les variables de laboratoire extraites comprenaient la créatinine sérique, le débit de filtration glomérulaire estimé (DFGE), le cholestérol total et les taux de triglycérides. Le DFGE a été calculé à l'aide de l'équation basée sur la créatinine du groupe d'épidémiologie des maladies rénales chroniques (CKD-EPI) et a été obtenu à partir du système d'information de laboratoire de l'hôpital.
Étant donné que la complexité procédurale, l'exposition à l'agent de contraste et la localisation de la lésion peuvent influencer la perturbation de la barrière hémato-encéphalique et la rétention de l'agent de contraste lors des procédures neuro-interventionnelles, les variables procédurales périopératoires ont également été intégrées au cadre prédictif. Les variables liées à la procédure comprenaient la localisation de la lésion, le type de procédure, la durée procédurale, le type d'agent de contraste et le volume total de contraste. La localisation de la lésion et le type de procédure ont été déterminés à partir des comptes rendus opératoires et des dossiers angiographiques. La durée procédurale a été définie comme le temps écoulé entre la ponction artérielle et la fin de la procédure neuro-interventionnelle. Le volume total de contraste a été défini comme le volume cumulé d'agent de contraste iodé administré du début à la fin de la procédure. Les agents de contraste utilisés dans cette étude étaient des CIA non ioniques, notamment l'iodixanol (320 mg d'iode/mL), administrés conformément aux pratiques cliniques institutionnelles. Toutes les procédures neuro-interventionnelles incluses dans cette étude ont été réalisées sous guidage par angiographie par soustraction numérique par une équipe neuro-interventionnelle expérimentée au centre d'étude. Toutes les procédures ont été effectuées selon une approche artérielle trans-fémorale. Pendant l'intervention, les patients ont reçu une anticoagulation peropératoire à l'héparine, et le temps de coagulation activé a été maintenu dans la plage cible de 250–300 s. Les signes vitaux ont été surveillés en continu tout au long de la procédure.
Des interventions thérapeutiques, notamment l’embolisation d’anévrisme, l’angioplastie et le placement de stent, ont été réalisées selon les caractéristiques des lésions et l’appréciation de l’opérateur. Des microcathéters, des coils, des stents ou des ballonnets appropriés ont été sélectionnés en fonction des exigences de la procédure. Pendant l’imagerie angiographique et l’intervention, les agents de contraste ont été administrés soit par injection à haute pression, soit par perfusion manuelle à débit constant. Le type d’agent de contraste et le volume total de contraste ont été extraits des dossiers procéduraux et vérifiés croisés avec les dossiers d’anesthésie ou d’infirmier lorsque disponibles. Les dossiers comportant des informations incohérentes ou incomplètes sur le volume de contraste ont été examinés manuellement avant leur inclusion dans le jeu de données analytique final.
Toutes les variables liées au protocole, y compris la durée de l'intervention, le type d'intervention thérapeutique, l'utilisation de dispositifs et les enregistrements d'administration d'agents de contraste, ont été systématiquement examinées et vérifiées quant à leur exhaustivité et leur cohérence avant l'analyse. Afin d'évaluer quantitativement le déséquilibre entre la charge en agent de contraste et la capacité d'élimination rénale, le rapport CGR a été établi comme variable prédictive principale et calculé selon l'équation suivante :
(1)
Le volume total de produit de contraste a été enregistré en mL, et le DFG a été enregistré en mL/min/1,73 m2. La valeur de DFG utilisée pour le calcul du RCP était la valeur préopératoire de DFG obtenue à partir du premier prélèvement sanguin veineux effectué après l'admission et avant la procédure neuro-interventionnelle. Pour chaque patient, le RCP a été calculé après vérification du volume total de produit de contraste et du DFG. Le numérateur correspondait au volume total de produit de contraste en mL, et le dénominateur au DFG en mL/min/1,73 m2. La même règle de calcul a été appliquée à tous les patients avant l'élaboration du modèle.
Sélection des caractéristiques et flux de travail d'apprentissage automatique
Afin de garantir la robustesse analytique, toutes les variables cliniques et de laboratoire ont subi des procédures systématiques de contrôle qualité avant l'analyse. La proportion de données manquantes a été calculée pour chaque variable candidate avant le développement du modèle. Dans le jeu de données analytique final, aucune valeur manquante n'a été observée parmi les prédicteurs inclus ou les étiquettes de résultat ; par conséquent, aucune variable n'a été exclue en raison de données manquantes, et aucune imputation multiple n'a été nécessaire. Le résumé détaillé des données manquantes est fourni dans le Tableau supplémentaire 1.
Toutes les variables prédictives candidates ont d'abord été évaluées à l'aide d'analyses univariées afin d'examiner leurs associations avec la survenue d'un EIC. Les méthodes statistiques ont été choisies en fonction des caractéristiques de distribution des données. Les variables à distribution normale ont été exprimées par la moyenne ± l'écart-type et comparées à l'aide du test t de Student pour échantillons indépendants. Les variables à distribution non normale ont été exprimées par la médiane (écart interquartile, EI) et analysées à l'aide du test de Mann-Whitney U. Les variables catégorielles ont été présentées sous forme de fréquences et de pourcentages et analysées à l'aide du test du chi-deux ou du test exact de Fisher. Une valeur de p < 0,05 a été considérée comme statistiquement significative.
L'ensemble des données a été divisé aléatoirement en cohortes d'entraînement et de test selon un ratio de 8:2 avant le développement du modèle. Afin de minimiser le surajustement et de réduire la multicolinéarité, une régression par l'opérateur de rétrécissement et de sélection par norme L1 (LASSO) combinée à une validation croisée en 10 parties a été appliquée pour la sélection des caractéristiques. La sélection des caractéristiques, l'ajustement des hyperparamètres et le développement du modèle ont été effectués uniquement à l'aide de la cohorte d'entraînement afin d'éviter toute fuite de données. La cohorte de test interne n'a pas été utilisée lors de l'imputation, de l'estimation des paramètres, de la sélection des caractéristiques, de l'ajustement des hyperparamètres ou de l'entraînement du modèle, et n'a été utilisée qu'une seule fois pour l'évaluation finale des performances. L'optimisation des hyperparamètres a été réalisée selon une stratégie de recherche en grille avec validation croisée en 10 parties au sein de la cohorte d'entraînement. Plus précisément, la cohorte d'entraînement a été divisée aléatoirement en 10 sous-ensembles mutuellement exclusifs. À chaque itération, neuf sous-ensembles ont été utilisés pour l'entraînement du modèle, et le sous-ensemble restant a servi à la validation. Ce processus a été répété 10 fois afin que chaque sous-ensemble constitue exactement une fois la cohorte de validation.
Toutes les analyses computationnelles ont été réalisées dans un environnement Python. Le développement et l'évaluation des modèles d'apprentissage automatique ont été effectués à l'aide de scikit-learn. Les scripts d'analyse utilisés pour le prétraitement des données, la sélection des caractéristiques, l'entraînement des modèles, l'évaluation des performances et l'analyse décisionnelle (DCA) ont été fournis sous forme de fichiers de code supplémentaires. Pour la mise en œuvre du modèle, les caractéristiques sélectionnées par la régression LASSO ont été utilisées comme variables d'entrée pour tous les classificateurs candidats. Les variables continues ont été standardisées à l'aide d'une normalisation par score z dans la cohorte d'entraînement, et les mêmes paramètres de mise à l'échelle ont été appliqués à la cohorte de test interne. Les variables catégorielles ont été encodées selon le schéma de codage prédéfini, et les définitions des variables ainsi que le schéma de codage sont indiqués dans le tableau supplémentaire 2. Cinq classificateurs ont été mis en œuvre : le classificateur bayésien naïf gaussien, les machines à vecteurs de support (SVM), les k plus proches voisins (KNN), LightGBM et les perceptrons multicouches (MLP). Pour le SVM, le type de noyau, le paramètre de régularisation C et le coefficient du noyau gamma ont été ajustés. Pour le KNN, le nombre de voisins et la stratégie de pondération des distances ont été optimisés. Pour LightGBM, le nombre d'estimateurs, le taux d'apprentissage, la profondeur maximale de l'arbre et le nombre de feuilles ont été ajustés. Pour le MLP, la structure des couches cachées, la fonction d'activation, le paramètre de régularisation et le taux d'apprentissage ont été optimisés. Le classificateur bayésien naïf gaussien a été implémenté en utilisant le paramètre de lissage de la variance spécifié. La combinaison optimale d'hyperparamètres pour chaque modèle a été sélectionnée en fonction des performances obtenues par validation croisée dans la cohorte d'entraînement. Les combinaisons finales d'hyperparamètres optimisés retenues pour chaque modèle sont résumées dans le tableau supplémentaire 3. Après la sélection des hyperparamètres, chaque modèle final a été réentraîné sur l'ensemble de la cohorte d'entraînement et évalué une fois sur la cohorte de test interne.
Comparaisons des performances des modèles
Sur la base des prédicteurs sélectionnés, cinq modèles d'apprentissage automatique ont été développés et comparés. Les performances des modèles ont été évaluées dans les cohortes d'entraînement et de test à l'aide de la surface sous la courbe caractéristique de fonctionnement du récepteur (AUC), de l'intervalle de confiance à 95 % (95 % IC), de la sensibilité, de la spécificité et de l'exactitude. Des courbes caractéristiques de fonctionnement du récepteur ont été générées afin de comparer les performances discriminantes des différents modèles. Le seuil optimal de classification pour chaque modèle a été déterminé exclusivement dans la cohorte d'entraînement à l'aide de l'indice de Youden. Le seuil obtenu a ensuite été fixé et appliqué sans modification à la cohorte de test interne pour le calcul des métriques de performance dépendantes du seuil.
Analyse de la courbe de décision
L'analyse de décision par courbe de bénéfice net (DCA) a été réalisée en calculant le bénéfice net de chaque modèle sur une gamme de probabilités seuils, puis en comparant la stratégie fondée sur le modèle à deux stratégies par défaut : traiter tous les patients ou ne traiter aucun patient. La DCA a été choisie car elle permet d'évaluer simultanément la performance discriminante et l'applicabilité clinique potentielle dans les contextes de prise de décision périopératoire. Afin de faciliter la reproductibilité, le flux de travail complet a été exécuté selon la séquence suivante : identification des patients à partir du système de dossier médical électronique, application des critères d'inclusion et d'exclusion, arbitrage des événements cliniques indésirables (CIE) par deux spécialistes indépendants, extraction et vérification croisée des variables démographiques, de l'historique clinique, des données de laboratoire et des variables liées aux procédures, calcul du risque chirurgical global (CGR), évaluation des données manquantes et division en cohortes d'entraînement et de test, sélection des caractéristiques par LASSO au sein de la cohorte d'entraînement, réglage des hyperparamètres par validation croisée en 10 parties, réajustement final du modèle sur l'ensemble de la cohorte d'entraînement, évaluation sur la cohorte de test interne, évaluation des performances basée sur la courbe ROC, détermination du seuil selon l'indice de Youden, et analyse de décision par courbe de bénéfice net (DCA).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
Inclusion des patients et détermination de l'ICE
Un total de 161 patients ayant subi des procédures neuro-interventionnelles ont été inclus dans cette étude, parmi lesquels 12 (7,5 %) ont développé un EIC, contre 149 (92,5 %) qui ne l'ont pas développé. Le processus détaillé de sélection et de regroupement des patients est illustré dans la Figure 2. Le diagnostic d'EIC a été établi sur la base de la corrélation temporelle entre l'apparition des sy...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
L'encéphalopathie induite par le produit de contraste (CIE) est une complication rare mais potentiellement grave survenant après des procédures neuro-interventionnelles, caractérisée par un dysfonctionnement neurologique aigu apparaissant peu de temps après l'exposition à des agents de contraste. Bien que cette affection soit généralement réversible, elle peut dans certains cas entraîner des déficits neurologiques persistants ou même des conséquences menaçant le pronostic vital, soulignant ainsi l'importance d'une identi...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Déclarations de divulgation
Les auteurs déclarent qu'ils n'ont aucun intérêt concurrentiel. La plateforme OnekeyAI a été utilisée uniquement comme outil de recherche pour l'analyse de données structurées et le développement de modèles dans cette étude.
Remerciements
Ce travail a été soutenu par le programme conjoint du plan scientifique et technologique de la province du Liaoning (projet du programme clé de recherche et développement ; n° de subvention 2025JH2/101800053) et par le programme Xingliao de talents de la province du Liaoning (n° de subvention XLYC2403134). Les auteurs remercient également le département de neurochirurgie de l'hôpital général du théâtre du Nord pour son soutien dans la collecte des données des patients et l'analyse des neuroimages.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Système électronique de dossiers médicaux | Hôpital général du Théâtre du Nord | Système clinique institutionnel | Utilisé pour l'extraction rétrospective de données Collecte de variables démographiques et d'antécédents cliniques |
| Système d'information de laboratoire | Hôpital général du Théâtre du Nord | Système de laboratoire institutionnel | Utilisé pour l'extraction rétrospective de données de laboratoire Collecte de la créatininémie, du DFG estimé, du profil lipidique et d'autres données de laboratoire |
| Système d'angiographie par soustraction numérique | Philips | Allura Xper FD 20 (avec Interventional Workstation R1.3.2) | Utilisé pendant les procédures cliniques de routine Procédure neuro-interventionnelle et enregistrement de l'utilisation du produit de contraste |
| Scanner CT | Philips | Ingenuity CT | Utilisé pour l'évaluation postopératoire par imagerie Évaluation postopératoire du crâne par tomodensitométrie |
| Plateforme d'analyse de données structurées OnekeyAI | OnekeyAI | 20240916 | Utilisée comme outil de recherche ; n'a aucun rôle dans la prise de décision clinique Prétraitement des données structurées, construction du modèle, évaluation du modèle et génération de figures |
| Python | Fondation Python Software | 3.7.12 | Langage de programmation open source Prétraitement des données, analyse statistique, développement de modèles et visualisation |
| scikit-learn | Développeurs de scikit-learn | 1.0.2 | Bibliothèque open source de machine learning pour Python LASSO, Bayes naïf, SVM, KNN, MLP, analyse ROC et métriques de performance |
Références
- 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.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.