Prédiction par apprentissage automatique de l'encéphalopathie induite par le produit de contraste après des procédures neuro-interventionnelles

Résumé

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.

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 croissante^3,4,5,6,7. 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 convulsives^4,5,6. 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 massif^4,7. 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 prédictives^8,9,10,11. 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 médicale^12,13. 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 échantillons^14,15. 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.

Protocole

Le protocole de l'étude a été examiné et approuvé par le Comité d'éthique de l'Hôpital général du Commandement théâtral 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 réalisée comme une analyse rétrospective des dossiers cliniques existants. L'approbation éthique obtenue en 2026 couvrait l'extraction de données rétrospectives, leur dé-identification, leur analyse et la publication de ces données cliniques préalablement collectées. Aucune intervention prospective ni recrutement de patients n'a été effectué avant 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 menées conformément à la Déclaration d'Helsinki, et toutes les données cliniques ont été dé-identifiées avant l'analyse. L'analyse actuelle a été réalisée dans le cadre d'un projet de recherche clinique neuro-interventionnelle rétrospective approuvé. Les matériaux et équipements nécessaires aux procédures décrites ci-dessous sont résumés dans le Tableau des matériaux.

Inclusion des patients et détermination de l'ICE

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 nord entre janvier 2024 et décembre 2025. La recherche initiale a été limitée par la date d'admission, le département, le diagnostic de maladie cérébrovasculaire et les enregistrements de procédures neuro-interventionnelles. Le flux détaillé de sélection des patients et d'attribution 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 complète des dossiers cliniques et des résultats des tests de laboratoire ; et (4) examen tomodensitométrique du crâne postopératoire réalisé dans les 3 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 modifiée de Rankin ≥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 candidat 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. Les patients étaient considérés comme compatibles avec un ENC si une cécité corticale nouvellement apparue, un trouble de la conscience (incluant somnolence, délire ou coma), une crise convulsive ou des déficits neurologiques focaux tels qu'une hémiplégie 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 TDM cérébrale postopératoire a été réalisée selon le protocole institutionnel standard de tomodensitométrie 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 cerveau et os 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 post-symptomatiques montraient généralement un œdème cérébral focal ou diffus et des ombres hyperdenses touchant le cortex, les régions sous-corticales ou l'espace sous-arachnoïdien, imitant 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 TDM ou 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 à partir de champs structurés du système de dossier médical électronique. Les variables de l'historique clinique, telles que 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, établie par la collaboration Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI), et a été obtenu à partir du système d'information de laboratoire hospitalier.

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, des 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 de la procédure, 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 de la procédure 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 à 300 s. Les signes vitaux ont été surveillés en continu tout au long de la procédure.

Des interventions thérapeutiques, y compris 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, des 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 de procédure 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 fondamentale 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 de DFG préopératoire 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 du ML

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 été initialement évaluées à l'aide d'analyses univariées afin d'évaluer leur association avec l'apparition des CIE. Les méthodes statistiques ont été choisies en fonction des caractéristiques de distribution des données. Les variables à distribution normale ont été exprimées en moyenne ± écart-type et comparées à l'aide du test t de Student pour échantillons indépendants. Les variables à distribution non normale ont été exprimées en médiane (intervalle interquartile, IIQ) et analysées à l'aide du test de Mann-Whitney U. Les variables catégorielles ont été présentées en effectifs et pourcentages, et analysées à l'aide du test du chi-deux ou du test exact de Fisher. Le seuil de signification statistique a été fixé à p < 0,05.

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 surapprentissage et de réduire la multicolinéarité, une régression par l'opérateur de réduction et de sélection par la 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 étaient utilisés pour l'entraînement du modèle, et le sous-ensemble restant servait à la validation. Ce processus a été répété 10 fois afin que chaque sous-ensemble serve exactement une fois comme cohorte de validation.

Toutes les analyses computationnelles ont été effectuées dans un environnement Python. Le développement et l'évaluation des modèles d'apprentissage automatique ont été réalisés 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 de décision clinique (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 : Bayes naïf gaussien, SVM, KNN, LightGBM et 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 ajustés. 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 ajustés. Le Bayes naïf gaussien a été mis en œuvre 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 sélectionnées 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 du modèle

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 discriminatoires 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 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 et 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 ischémiques cardiaques (CIE) par deux spécialistes indépendants, extraction et vérification croisée des variables démographiques, antécédents cliniques, données de laboratoire et variables liées aux procédures, calcul du risque de complication (CGR), évaluation des données manquantes et division en cohortes d'entraînement et de test, sélection de caractéristiques basée sur la méthode LASSO au sein de la cohorte d'entraînement, réglage des hyperparamètres par validation croisée en 10 plis, 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 DCA.

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 symptômes et les procédures neuro-interventionnelles, combinée à des résultats d'imagerie exclusifs. Les résultats représentatifs d'imagerie neurologique de l'EIC sont présentés dans les Figure 3A–D.

Les caractéristiques démographiques, cliniques, biologiques et procédurales de base des deux groupes sont résumées dans le Tableau 1. Aucune différence significative n'a été observée entre les groupes CIE et non-CIE en ce qui concerne l'âge, la répartition selon le sexe ou le poids corporel (tous les p > 0,05). De même, la prévalence des comorbidités courantes, notamment l'hypertension artérielle, le diabète sucré et la maladie coronarienne, ne différait pas de manière significative entre les deux groupes (tous les p > 0,05). Les facteurs liés au mode de vie, tels que la consommation d'alcool et le statut tabagique, étaient également comparables.

En revanche, plusieurs variables liées au laboratoire et à la procédure ont montré des différences significatives entre les deux groupes. Les patients du groupe CIE présentaient des taux sériques de créatinine significativement plus élevés que ceux du groupe non-CIE (médiane : 85,2 contre 65,3 µmol/L, p = 0,004), tandis que leur DFG était significativement plus faible (médiane : 81 contre 102,7 mL/min/1,73 m², p < 0,001). En ce qui concerne les caractéristiques procédurales, les procédures d'embolisation étaient significativement plus fréquentes dans le groupe CIE que dans le groupe non-CIE (41,7 % contre 2,0 %, p < 0,001). De plus, les lésions de la circulation postérieure étaient significativement plus fréquentes chez les patients ayant développé un CIE (58,3 % contre 6,0 %, p < 0,001). Aucune différence significative n'a été observée quant au type de produit de contraste utilisé entre les deux groupes (p = 0,982). En outre, les patients du groupe CIE ont reçu un volume significativement plus élevé d'agent de contraste pendant la procédure (médiane : 200,0 contre 165,0 mL, p = 0,005) et ont eu des durées de procédure plus longues (médiane : 78,5 contre 50,0 min, p = 0,008). Notamment, le RCG, un indice composite proposé dans cette étude, était significativement plus élevé dans le groupe CIE par rapport au groupe non-CIE (médiane : 2,35 contre 1,63, p < 0,001), indiquant une forte association entre le RCG et l'apparition du CIE.

Acquisition des variables périopératoires et construction du CGR

Les variables démographiques, biologiques et procédurales périopératoires ont été recueillies et analysées systématiquement comme décrit dans le protocole. Parmi ces variables, le CGR, défini comme le rapport entre le volume total de produit de contraste et le DFG évalué (eGFR), a été construit comme un indicateur composite reflétant l'équilibre entre l'exposition aux agents de contraste et la capacité d'élimination rénale. Le CGR était associé à la survenue d'IEC dans cette cohorte et a été inclus comme prédicteur candidat dans les analyses de sélection de caractéristiques et de développement de modèles. Afin de comparer le CGR à ses composantes individuelles, une analyse ROC comparative a été réalisée à l'aide du CGR, du volume total de produit de contraste et du DFG évalué. Le CGR a montré la plus forte capacité discriminante pour l'IEC, avec une AUC de 0,959 (IC à 95 % : 0,924–0,985), comparé au volume total de produit de contraste (AUC = 0,745, IC à 95 % : 0,559–0,886) et au DFG évalué analysé dans le sens inverse du risque (AUC = 0,865, IC à 95 % : 0,764–0,951). La différence d'AUC entre le CGR et le volume total de produit de contraste était de 0,214, et la différence d'AUC entre le CGR et le DFG évalué était de 0,093. Les résultats détaillés sont fournis dans le tableau 4 supplémentaire.

Sélection des caractéristiques et flux de travail d'apprentissage automatique

Afin d'identifier les prédicteurs les plus pertinents tout en minimisant la multicolinéarité, une régression LASSO avec validation croisée en 10 parties a été appliquée aux variables candidates. Le profil des coefficients et les courbes de validation croisée du modèle LASSO sont présentés respectivement dans Figure 4A et Figure 4B. Le classement des coefficients LASSO du modèle final est présenté dans Figure 5. Pour la valeur optimale de λ, un sous-ensemble de variables a été conservé, incluant le CGR, le type de procédure, l'emplacement de la lésion, les taux de triglycérides, la créatinine sérique, le DFG-e et plusieurs covariables cliniques. Le classement quantitatif des prédicteurs retenus, basé sur les coefficients LASSO, est fourni dans le tableau supplémentaire 5.

Comparaisons des performances du modèle

Cinq approches d'apprentissage machine — Naive Bayes, SVM, KNN, LightGBM et MLP — ont été développées pour prédire le risque de CIE. Leurs performances sur les ensembles d'apprentissage et de test sont résumées dans le Tableau 2, la comparaison de la précision des cinq modèles est présentée dans la Figure 6, et les matrices de confusion correspondantes sont fournies dans les Figure supplémentaire 1, Figure supplémentaire 2, Figure supplémentaire 3, Figure supplémentaire 4 et Figure supplémentaire 5. Étant donné que l'ensemble de données était nettement déséquilibré, avec 12 cas de CIE et 149 cas sans CIE, la précision et les métriques basées sur un seuil doivent être interprétées avec prudence et en tenant compte de la sensibilité, de la spécificité, de l'AUC et des intervalles de confiance. Dans l'ensemble d'apprentissage, tous les modèles ont montré une bonne capacité discriminante, avec des valeurs d'AUC comprises entre 0,961 et 0,999. Dans l'ensemble de test interne, le modèle Naive Bayes a obtenu la valeur numérique la plus élevée (AUC = 0,952, IC à 95 % : 0,843–1,000), suivi par LightGBM (AUC = 0,944, IC à 95 % : 0,822–1,000) et SVM (AUC = 0,935, IC à 95 % : 0,796–1,000).

Au seuil de classification optimal déterminé par l'indice de Youden, le modèle de Bayes naïf a présenté une sensibilité de 100 % et une spécificité de 90,3 %. Étant donné que des comparaisons statistiques formelles par paires entre les AUC des modèles n'ont pas été effectuées, les différences observées entre les modèles doivent être interprétées comme descriptives et exploratoires. De plus, comme le jeu de données était fortement déséquilibré et que le lot de test interne était petit, avec un nombre très limité d'événements de CIE, les métriques fondées sur un seuil, telles que la sensibilité et la spécificité, peuvent être instables et doivent être interprétées avec prudence. Les courbes caractéristiques de fonctionnement du récepteur (ROC) du modèle de Bayes naïf dans les ensembles d'apprentissage et de test sont présentées dans la Figure 7.

Bien que le modèle MLP ait bien performé sur l'ensemble d'apprentissage (AUC = 0,961), ses performances ont nettement diminué sur l'ensemble de test (AUC = 0,742), suggérant un risque de surapprentissage. De même, le modèle KNN a montré une capacité discriminante limitée sur l'ensemble de test (AUC = 0,718), avec un intervalle de confiance large, indiquant une instabilité. La stratégie fondée sur l'indice de Youden a été utilisée pour déterminer le seuil optimal de classification pour les métriques dépendant du seuil, notamment la sensibilité, la spécificité et l'exactitude. Les valeurs de ROC-AUC elles-mêmes sont indépendantes du seuil. Par conséquent, les métriques de performance dépendant du seuil rapportées reflètent le comportement du modèle au point de fonctionnement optimal. Les seuils optimaux de Youden et les métriques correspondantes basées sur ces seuils sont indiqués dans le tableau supplémentaire 6. Dans l'ensemble, le modèle Naive Bayes a montré une performance descriptive relativement stable entre les ensembles d'apprentissage et de test interne, avec une baisse numérique minimale de l'AUC.

Analyse de la courbe de décision

Une analyse de décision par courbe d'intérêt clinique (DCA) a été réalisée afin d'évaluer l'utilité clinique des modèles sur une gamme de probabilités seuils. Les courbes de DCA sont présentées dans la Figure 8. Tous les modèles ont démontré un bénéfice net positif sur certaines plages de probabilités seuils, comparés aux stratégies de traitement systématique et d'absence de traitement. Parmi les modèles évalués, le SVM a montré la plage la plus étendue de bénéfice net positif, tandis que les autres modèles ont également révélé une utilité clinique potentielle dans des plages de seuils spécifiques.

DISPONIBILITÉ DES DONNÉES :

Les données brutes dépersonnalisées utilisées pour étayer les principales analyses ont été téléchargées sur GitHub et sont disponibles à l'adresse suivante : https://doi.org/10.5281/zenodo.20043331. Tous les identifiants directs des patients ont été supprimés avant le partage des données. Étant donné qu'il s'agissait d'une étude clinique rétrospective fondée sur des dossiers médicaux hospitaliers, l'accès à toute information complémentaire au niveau des patients reste restreint par les exigences institutionnelles en matière d'éthique et de confidentialité. D'autres données dépersonnalisées peuvent être mises à disposition par l'auteur correspondant sur demande raisonnable et avec l'approbation du comité d'éthique institutionnel. Les scripts d'analyse statistique, le code d'entraînement du modèle d'apprentissage automatique et le code de génération des figures ont été fournis en tant que fichiers supplémentaires afin de favoriser la reproductibilité.

Figure 1 : Flux de travail de la modélisation du risque d'ECI basée sur des données périopératoires. (A) Mécanismes de l'ECI et dérivation du rapport volume de produit de contraste sur DFG estimé (CGR). (B) Intégration des données et sélection des caractéristiques basée sur la méthode LASSO. (C) Développement et comparaison des modèles d'apprentissage automatique, le classifieur Naïve Bayes obtenant la plus haute valeur d'AUC dans le jeu de test interne (AUC ≈ 0,95). Abréviations : ECI = encéphalopathie induite par le produit de contraste ; CGR = rapport volume de produit de contraste sur DFG estimé ; DFG = débit de filtration glomérulaire estimé ; AUC = aire sous la courbe. La figure est basée sur les données cliniques des auteurs, et l'illustration schématique a été initialement créée par les auteurs à l'aide d'icônes modifiées de Microsoft PowerPoint. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 2 : Sélection des patients et répartition dans les cohortes. Schéma de flux illustrant le dépistage des patients, l'évaluation des critères d'éligibilité, les critères d'exclusion et l'affectation aux cohortes. Au total, 225 patients ont été initialement évalués. Après application des critères d'inclusion, notamment un âge compris entre 30 et 80 ans, la disponibilité de données cliniques complètes et la réalisation d'un scanner cérébral postopératoire dans les 3 jours, 190 patients étaient éligibles. Les patients ont été exclus en cas d'infarctus cérébral aigu, de maladie rénale chronique stade ≥ G4 (DFG estimé < 30 mL/min/1.73 m²), de maladie cardiovasculaire sévère, d'absence de traitement endovasculaire, de déficit neurologique sévère (score à l'échelle modifiée de Rankin ≥ 4) ou de données incomplètes. Finalement, 161 patients ont été inclus et répartis aléatoirement entre la cohorte d'entraînement (n = 128) et la cohorte de test interne (n = 33) selon un ratio de 8:2. Abréviations : CT = tomographie computérisée ; eGFR = débit de filtration glomérulaire estimé ; CKD = maladie rénale chronique ; mRS = échelle modifiée de Rankin. Veuillez cliquer ici pour consulter une version agrandie de cette figure.

Figure 3 : Images sérielles de tomodensitométrie sans contraste chez un patient atteint de CIE. (A) Tomodensitométrie de référence avant l'intervention. (B) Tomodensitométrie au moment de l'apparition des symptômes, montrant une hyperdensité corticale dans le lobe pariétal droit (flèche). (C) Tomodensitométrie au premier jour postopératoire montrant une résolution partielle. (D) Tomodensitométrie au deuxième jour postopératoire montrant une amélioration supplémentaire. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 4 : Sélection de caractéristiques fondée sur LASSO. (A) Courbe de validation croisée à dix plis utilisée pour déterminer le λ optimal en se basant sur l'erreur quadratique moyenne (MSE) minimale. (B) Profils des coefficients des variables candidates tracés en fonction de log(λ), illustrant les variations des coefficients des variables avec l'augmentation de l'intensité de la régularisation. Abréviations : LASSO = least absolute shrinkage and selection operator ; λ = paramètre de régularisation ; MSE = erreur quadratique moyenne. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 5 : Coefficients des variables sélectionnées. Histogramme montrant les coefficients des variables conservées après sélection par la méthode LASSO. Les coefficients positifs indiquent une association positive ; les coefficients négatifs indiquent une association inverse. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 6 : Précision de l'apprentissage et des tests des cinq modèles d'apprentissage automatique. Précision de cinq modèles d'apprentissage automatique (Naive Bayes, SVM, KNN, LightGBM, MLP) sur les ensembles d'apprentissage et de test. Abréviations : SVM = machine à vecteurs de support ; KNN = k-plus proches voisins ; LightGBM = machine d'augmentation de gradient légère ; MLP = perceptron multicouche. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Figure 7 : Courbes ROC du modèle Naive Bayes. Courbes caractéristiques de fonctionnement du récepteur pour les cohortes d'entraînement et de test interne, avec les valeurs correspondantes de la surface sous la courbe. Abréviations : ROC = caractéristique de fonctionnement du récepteur ; AUC = surface sous la courbe. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 8 : Analyse de courbe décisionnelle. ACD montrant le bénéfice net de différents modèles à travers les probabilités seuils, comparé aux stratégies de traitement de tous et de traitement d'aucun. Les zones ombrées indiquent les plages de probabilité seuil où le modèle a atteint un bénéfice net positif par rapport aux deux stratégies de traitement de tous et de traitement d'aucun. Abréviations : ACD = analyse de courbe décisionnelle. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure supplémentaire 1 : Matrice de confusion du modèle Naive Bayes dans la cohorte de test interne. La matrice affiche les nombres d'échantillons correctement et incorrectement classés au seuil de classification sélectionné.Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 2 : Matrice de confusion du modèle SVM dans la cohorte de test interne. La matrice affiche les nombres d'échantillons correctement et incorrectement classés au seuil de classification sélectionné.Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 3 : Matrice de confusion du modèle KNN dans la cohorte de test interne. La matrice affiche les nombres d'échantillons correctement et incorrectement classés au seuil de classification retenu.Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 4 : Matrice de confusion du modèle LightGBM dans la cohorte de test interne. La matrice affiche les nombres d'échantillons correctement et incorrectement classés au seuil de classification sélectionné.Veuillez cliquer ici pour télécharger ce fichier.

Figure suplémentaire 5 : Matrice de confusion du modèle MLP dans la cohorte de test interne. La matrice affiche les nombres d'échantillons correctement et incorrectement classés au seuil de classification sélectionné.Veuillez cliquer ici pour télécharger ce fichier.

Caractéristique	CIE ( n = 12 )	Non-CIE ( n = 149 )	p valeur
Démographie
Âge (années), médiane (EIQ)	67 (62,5–69,0 )	63 ( 55,0–70,0 )	0,194
Hommes, n (%)	9 (75,0)	105 (70,5)	1,000
Poids (kg), médiane (EIQ)	65 (55,0–70,0)	70 (60,0–77,5)	0,160
Comorbidités, n (%)
Hypertension	7 (58,3)	102 (68,5)	0,526
Diabète	4 (33,0)	57 (38,3)	1,000
Maladie coronarienne	2 (16,7)	23 (15,4)	1,000
Habitudes, n (%)
Consommation d'alcool	7 (58,3)	78 (52,3)	0,770
Statut tabagique	7 (58,3)	59 (39,6)	0,233
Valeurs biologiques, médiane (EIQ)
Creatinine sérique (μmol/L)	85,2 (65,0–89,0)	65,3 (54,9–75,7)	0,004
DFG (mL/min/1,73m²)	81,0 (60,6–90,3)	102,7 (89,0–116,3)	<0,001
Cholestérol total (mmol/L)	3,3 (3,0–4,4)	3,4 (2,9–4,1)	0,775
Triglycérides (mmol/L)	1,8 (1,2–2,1)	1,2 (0,8–1,6)	0,017
Caractéristiques de la procédure
Type de procédure, n ( % )			<0,001
- Angioplastie avec stent	7 (58,3)	146(98,0)
- Embolisation	5 (41,7)	3 (2,0)
Localisation de la lésion, n (%)			<0,001
- Circulation postérieure	7 (58,3)	9 (6,0)
- Circulation antérieure	5 (41,7)	140 (94,0)
Type de produit de contraste, n (%)			0,982
- 2e génération	6 (50,0)	75 (50,3)
- 3e génération	6(50,0)	74 (49,7)
Volume total de produit de contraste (mL), médiane (EIQ)	200 (188,0–200,0)	165 (155,0–180,0)	0,005
Durée de la procédure (min), médiane (EIQ)	78,5 (52,5–124,5)	50 (47,0–57,0)	0,008
Indice nouveau
CGR, médiane (EIQ)	2,35 (2,17–2,70)	1,63 (1,40–1,85)	<0,001

Tableau 1 : Caractéristiques cliniques de base des patients. Les caractéristiques démographiques, cliniques, biologiques et liées aux procédures ont été comparées entre les groupes avec CIE et sans CIE. Les variables continues sont exprimées comme moyenne ± écart-type ou médiane (intervalle interquartile), et les variables catégorielles sont exprimées en nombre et pourcentage. Des comparaisons statistiques entre les groupes ont été effectuées à l’aide de tests paramétriques ou non paramétriques appropriés. Abréviations : CIE = encéphalopathie induite par le produit de contraste ; eGFR = débit de filtration glomérulaire estimé ; CGR = rapport volume de produit de contraste sur eGFR ; IQR = intervalle interquartile ; SD = écart-type.

Nom du modèle	Précision	AUC	IC 95 %	Sensibilité	Spécificité	Jeu de données
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	train
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	test
SVM	0.992	0.999	0.997–1.000	1.0	0.992	train
SVM	0.879	0.935	0.796–1.000	1.0	0.871	test
KNN	0.891	0.969	0.941–0.997	1.0	0.881	train
KNN	0.939	0.718	0.194–1.000	0.5	0.968	test
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	train
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	test
MLP	0.914	0.961	0.908–1.000	0.9	0.915	train
MLP	0.970	0.742	0.228–1.000	0.5	1.000	test

Tableau 2 : Comparaison des performances des modèles. La performance prédictive de différents modèles d'apprentissage automatique a été évaluée à l'aide de la précision, de l'aire sous la courbe (AUC), de l'intervalle de confiance à 95 % (IC), de la sensibilité et de la spécificité sur les jeux de données d'entraînement et de test interne. Abréviations : IC = intervalle de confiance.

Tableau supplémentaire 1 : Résumé de l'évaluation des données manquantes avant le développement du modèle. Résumé des valeurs manquantes pour toutes les variables prédictives candidates avant le développement du modèle. Aucune valeur manquante n'a été observée parmi les variables incluses ; par conséquent, aucune procédure d'imputation n'a été effectuée.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 2 : Dictionnaire des variables du jeu de données analytique. Définitions, méthodes de codage, catégories de variables et descriptions des variables cliniques, biologiques et liées aux procédures incluses dans l'analyse par ML.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 3 : Espace de recherche des hyperparamètres et paramètres sélectionnés pour les modèles d'apprentissage automatique. Les plages candidates d'hyperparamètres et les paramètres optimisés obtenus lors de l'ajustement du modèle pour chaque algorithme d'apprentissage automatique sont résumés.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 4 : Analyse comparative ROC du CGR et de ses composantes individuelles. Une analyse de la caractéristique de fonctionnement du récepteur a été réalisée afin de comparer les performances prédictives du CGR et de ses composantes individuelles pour la prédiction de l'IEC.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 5 : Classement des caractéristiques quantitatives selon les coefficients LASSO. Les variables sélectionnées ont été classées selon leurs valeurs de coefficient après régression LASSO, indiquant la contribution relative et le sens de l'association de chaque variable dans le modèle prédictif.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 6 : Seuils de Youden déterminés dans la cohorte d'entraînement et métriques correspondantes de performance de classification. Le seuil optimal pour chaque modèle a été déterminé exclusivement dans la cohorte d'entraînement à l'aide de l'indice de Youden, puis fixé et appliqué à la cohorte de test interne. La précision, la sensibilité et la spécificité dans la cohorte de test interne ont été calculées à l'aide de ces seuils fixes.Veuillez cliquer ici pour télécharger ce fichier.

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 identification précoce des risques^17,18,19,20. Toutefois, les mécanismes physiopathologiques sous-jacents à la CIE sont complexes et multifactoriels, impliquant des interactions entre des facteurs propres au patient, les propriétés des agents de contraste et les caractéristiques de la procédure^{9,10,21,22,23,24}. Cette complexité rend extrêmement difficile une évaluation précise du risque périopératoire fondée uniquement sur des variables cliniques isolées ou sur un jugement empirique.

Dans cette étude, cinq modèles d'apprentissage automatique ont été construits et évalués afin de prédire le risque de CIE chez des patients subissant une intervention cérébrovasculaire. Après une comparaison descriptive des performances, le modèle Naive Bayes s'est révélé être celui dont la performance descriptive était la plus équilibrée dans cette étude. En ce qui concerne la capacité de discrimination du modèle, le modèle Naive Bayes a présenté la valeur d'AUC numérique la plus élevée dans la cohorte de test interne (AUC = 0,952 ; IC à 95 % : 0,843–1,000), comparé à LightGBM (AUC = 0,944 ; IC à 95 % : 0,822–1,000), SVM (SVM ; AUC = 0,935 ; IC à 95 % : 0,796–1,000), MLP (MLP ; AUC = 0,742 ; IC à 95 % : 0,228–1,000) et à l'algorithme KNN (KNN ; AUC = 0,718 ; IC à 95 % : 0,195–1,000). Aucune comparaison statistique formelle par paires entre les AUC des modèles n'ayant pas été effectuée, ces différences doivent être interprétées comme descriptives et non comme une preuve définitive de supériorité d'un modèle. Il convient de noter que KNN et MLP ont bien performé sur l'ensemble d'apprentissage (AUC = 0,969 et 0,961 respectivement), mais que leurs performances ont nettement diminué sur l'ensemble de test, suggérant un surajustement possible²⁵. En revanche, le modèle Naive Bayes a maintenu des valeurs d'AUC descriptives similaires entre les cohortes d'apprentissage et de test interne (différence d'AUC = 0,009), ce qui indique une performance descriptive relativement stable sur ce jeu de données. Toutefois, cette stabilité apparente doit être interprétée avec prudence, car la cohorte de test interne comprenait seulement 33 patients et un nombre très restreint d'événements CIE.

D'un point de vue pratique, la structure probabiliste relativement simple du classificateur naïf de Bayes peut être adaptée aux ensembles de données cliniques de petite taille, en particulier lorsque le nombre d'événements observés est limité. Dans cette étude, le modèle naïf de Bayes a montré une performance descriptive relativement équilibrée entre les cohortes d'apprentissage et de test interne. Toutefois, comme la cohorte de test interne était petite et contenait très peu d'événements de EIC (encéphalopathie induite par le contraste), cette stabilité apparente doit être interprétée avec prudence et nécessite une validation externe. La performance descriptive relativement favorable du modèle naïf de Bayes dans cet ensemble de données pourrait être liée à sa structure probabiliste simple et à son adéquation aux contextes de petite taille d'échantillon sous l'hypothèse d'indépendance des caractéristiques^14,15. En revanche, des modèles plus complexes tels que le MLP (perceptron multicouche) et LightGBM sont plus sujets au surajustement dans des conditions d'échantillonnage limitées, réduisant ainsi leur capacité de généralisation. Ces résultats suggèrent également que, dans des domaines de recherche à haut risque et orientés vers la clinique comme la neuro-intervention, le choix du modèle devrait accorder une importance accrue à la stabilité, à la reproductibilité et à la faisabilité clinique, plutôt que de rechercher aveuglément la supériorité absolue d'algorithmes complexes ou de métriques de performance isolées. L'analyse de décision par courbe (DCA) a suggéré que le modèle naïf de Bayes pourrait offrir un bénéfice net sur une gamme de probabilités seuils sélectionnées, mais cette observation reste exploratoire et nécessite une validation externe. En outre, sa structure simple, son efficacité computationnelle et son interprétabilité pourraient soutenir son évaluation future comme modèle exploratoire de stratification du risque périopératoire, bien qu'une validation externe soit requise avant toute mise en œuvre clinique. Du point de vue clinique, l'incidence de l'EIC dans cette étude était de 7,5 %, supérieure aux 2 % à 5 % généralement rapportés dans les études antérieures⁷. Cette différence s'explique largement par la nature hautement sélective de la population étudiée : la cohorte comprenait des patients atteints de maladie cérébrovasculaire ayant subi des procédures neuro-interventionnelles complexes telles que l'embolisation d'anévrisme. Le contraste particulier entre les modalités d'administration des agents liées à ces procédures, telles que l'angiographie super-sélective et la rétention locale à dose élevée — ainsi que la durée prolongée des interventions, sont tous des facteurs de risque reconnus pour l'EIC^9,10,26. De plus, le risque de base plus élevé des patients augmente davantage le taux d'incidence global. Les résultats de l'étude soulignent que les lésions de la circulation postérieure et les procédures d'embolisation sont de forts prédicteurs d'EIC. Sur le plan anatomique, la circulation postérieure (système vertébro-basilaire) vascularise le tronc cérébral, le cervelet et le lobe occipital. Le lobe occipital présente une sensibilité extrêmement élevée à la toxicité des agents de contraste, ce qui explique pourquoi les patients présentant une EIC développent fréquemment une cécité corticale. En outre, les caractéristiques hémodynamiques du système vertébro-basilaire diffèrent de celles de la circulation antérieure, ce qui pourrait partiellement expliquer l'association observée entre les lésions de la circulation postérieure et l'EIC dans cette cohorte.

Les procédures d'embolisation sont généralement plus complexes qu'une angioplastie simple, nécessitant fréquemment une angiographie super-sélective afin de confirmer la position des coils et l'étendue de l'occlusion par le thrombus, ce qui entraîne une exposition nettement plus élevée à l'agent de contraste au niveau du lit vasculaire local par unité de temps, comparée aux procédures habituelles. Cette exposition intense et localisée au produit de contraste pourrait biologiquement contribuer à la rupture de la barrière hémato-encéphalique, bien que ce mécanisme n'ait pas pu être directement vérifié dans la présente étude rétrospective. Conformément à l'analyse des caractéristiques de base, les patients du groupe CIE présentaient des taux significativement plus élevés de traitement par embolisation et une proportion plus importante de lésions de la circulation postérieure par rapport à ceux du groupe sans CIE, suggérant que la complexité chirurgicale et la localisation anatomique des lésions pourraient être associées à l'apparition du CIE. De plus, la durée plus longue de l'intervention et l'utilisation totale plus élevée d'agent de contraste dans le groupe CIE soulignent davantage l'impact cumulatif des facteurs de stress liés à la chirurgie sur le risque de développement du CIE.

Afin d'améliorer l'interprétabilité clinique du modèle, cette étude a évalué le CGR comme un indice composite exploratoire. Le risque de survenue d'un EIC dépend non seulement de la dose absolue de produit de contraste pénétrant dans la vascularisation cérébrale, mais est également étroitement lié à la vitesse à laquelle le produit de contraste est éliminé de la circulation systémique. Le CGR intègre le volume total de produit de contraste et le DFG dans un indice composite unique reflétant la charge en produit de contraste par rapport à la capacité d'élimination rénale. Cette approche de conception s'appuie sur le paradigme bien établi fondé sur les rapports, utilisé pour prédire la néphropathie induite par les produits de contraste (NIP), tel que le rapport entre le volume de produit de contraste et le DFG²⁷, et s'inscrit dans les stratégies actuelles de construction de biomarqueurs complets comme le rapport neutrophiles-lymphocytes (NLR)²⁸ et l'indice triglycérides-glycémie (TyG)²⁹, tous visant à révéler les états physiopathologiques sous-jacents des maladies. Les agents de contraste iodés sont principalement éliminés par les reins sous leur forme initiale. Lorsque l'élimination rénale est réduite, l'exposition systémique aux agents de contraste iodés peut être prolongée, ce qui pourrait augmenter l'exposition endothéliale aux produits de contraste. Lors des procédures neuro-interventionnelles, les agents de contraste sont souvent injectés directement dans la circulation cérébrale via les artères carotides internes ou vertébrales à des concentrations élevées ; le gradient de pression osmotique localement extrême peut compromettre l'intégrité de la BHE³⁰. À ce stade, si l'élimination systémique est altérée, l'agent de contraste accumulé dans la circulation sanguine peut continuer à maintenir un gradient de concentration à travers la BHE, favorisant la diffusion de l'agent de contraste dans l'espace interstitiel cérébral. En outre, le CGR pourrait offrir un moyen cliniquement intuitif d'intégrer la charge en produit de contraste et l'élimination rénale, mais sa valeur prédictive supplémentaire par rapport au volume de produit de contraste ou au DFG seul nécessite une validation supplémentaire. Par conséquent, le CGR pourrait servir d'indice exploratoire pour la stratification du risque d'EIC périopératoire.

Cette étude a révélé que le type d'agent de contraste (de deuxième génération à faible osmolarité versus de troisième génération à osmolarité iso-osmotique) n'avait pas de valeur prédictive indépendante significative pour l'ECI (p = 0,982). Ce résultat n'est pas entièrement conforme à certains rapports antérieurs. Une explication possible est que des facteurs autres que l'osmolarité, tels que la toxicité chimique ou la viscosité, pourraient contribuer à la neurotoxicité des agents de contraste ; toutefois, cette interprétation reste spéculative et nécessite une validation mécanistique supplémentaire. Cette interprétation est appuyée par des études cliniques et mécanistiques antérieures^31,32. De plus, en pratique clinique, les opérateurs peuvent choisir de préférence des agents de contraste iso-osmotiques de troisième génération pour les patients à haut risque, introduisant ainsi un biais de confusion lié à l'indication qui pourrait masquer d'éventuelles différences sous-jacentes entre les divers types d'agents de contraste.

Plusieurs étapes critiques du protocole doivent être soulignées pour une application réussie de ce flux de travail. Premièrement, une adjudication rigoureuse des résultats est essentielle, car une classification inexacte de l'IEC affecterait directement l'entraînement et l'évaluation du modèle. Les cas suspects d'IEC doivent être évalués à l'aide de la relation temporelle entre l'exposition au produit de contraste et le début des symptômes, des manifestations neurologiques, des résultats d'imagerie postopératoire et de l'exclusion de diagnostics alternatifs. Deuxièmement, l'extraction et la vérification précises du volume total de produit de contraste et du DFG sont importantes, car ces deux variables déterminent le calcul du RDC. Troisièmement, le RDC doit être calculé selon la même règle pour tous les patients, après avoir confirmé à la fois le volume total de produit de contraste et le DFG. Quatrièmement, la sélection des caractéristiques, l'estimation des paramètres d'imputation, l'ajustement des hyperparamètres et l'entraînement du modèle doivent être effectués uniquement au sein de la cohorte d'entraînement afin d'éviter toute fuite de données. Enfin, comme l'IEC est peu fréquente et que le nombre d'événements est limité, les performances du modèle doivent être interprétées avec prudence et validées externement avant toute mise en œuvre clinique³³.

Plusieurs modifications de méthode et stratégies de dépannage doivent également être prises en compte lors de l'application de ce flux de travail dans d'autres contextes. Si la proportion de données manquantes est élevée, les chercheurs doivent d'abord déterminer si l'absence de données est aléatoire et doivent éviter d'imputer les variables présentant un taux excessif de données manquantes. Si le nombre d'événements d'ICE est très faible, la complexité du modèle doit être réduite, et des modèles plus simples ou pénalisés peuvent être privilégiés afin de limiter le surapprentissage. Si le flux de travail est appliqué dans un autre centre, les définitions des variables, les règles de codage, les méthodes de calcul du DFG, les pratiques d'enregistrement du volume de produit de contraste et les critères d'analyse des images doivent être harmonisés avant l'entraînement du modèle. Si les performances du modèle diminuent lors d'une validation interne ou externe, des causes possibles telles que le déséquilibre des classes, les fuites de données, un prétraitement incohérent, une sélection instable des caractéristiques ou des différences dans la composition des cas de patients doivent être examinées. Dans les cas de diagnostic d'ICE incertain, une concertation entre plusieurs cliniciens expérimentés et une exclusion rigoureuse des diagnostics différentiels sont recommandées avant le développement du modèle.

Cette étude présente les limitations suivantes : Premièrement, cette étude adopte un dispositif rétrospectif monocentrique avec un nombre limité d'événements d'IEC. Seulement 12 événements d'IEC ont été observés parmi les 161 patients inclus, et la cohorte de test interne comprenait uniquement 33 patients, avec un nombre très restreint de cas d'IEC. Par conséquent, les métriques de performance telles que l'AUC, la sensibilité et la spécificité peuvent être instables et très sensibles à la classification d'un ou deux cas seulement. À l'avenir, une validation externe par des études prospectives multicentriques et à grand échantillon sera nécessaire pour confirmer davantage la fiabilité du modèle. Deuxièmement, le modèle développé dans cette étude repose principalement sur des variables cliniques de routine recueillies avant et pendant l'intervention chirurgicale. À l'avenir, nous pourrions intégrer davantage les paramètres cinétiques des agents de contraste en peropératoire, les caractéristiques d'imagerie précoces en postopératoire et des biomarqueurs sériques spécifiques afin de construire un système de prédiction du risque d'IEC plus dynamique et complet. Troisièmement, l'incidence faible de l'IEC (7,5 %) a entraîné un déséquilibre marqué entre les classes, avec seulement 12 cas d'IEC et 149 cas sans IEC. Ce déséquilibre peut réduire la fiabilité des métriques de performance du modèle. La précision peut surestimer la performance du modèle lorsque la classe sans IEC domine le jeu de données, tandis que la sensibilité, la spécificité, la valeur prédictive positive et la valeur prédictive négative peuvent être instables, car elles sont influencées par un très petit nombre d'événements d'IEC. Par conséquent, le modèle proposé doit actuellement être considéré comme un cadre exploratoire de stratification du risque, plutôt qu'un outil définitif d'aide à la décision clinique. Aucune validation par répétition de la validation croisée ou basée sur le rééchantillonnage n'a été réalisée dans la présente étude, car le nombre d'événements d'IEC était très limité, et de telles analyses pourraient encore produire des estimations instables en cas de déséquilibre marqué entre les classes. Une validation externe multicentrique et une évaluation prospective sont nécessaires avant toute mise en œuvre clinique.

En résumé, cette étude a comparé systématiquement plusieurs modèles d'apprentissage automatique et a révélé que le modèle de Bayes naïf présentait la performance descriptive la plus équilibrée pour la prédiction de l'IEC dans le jeu de données actuel. Ce modèle pourrait fournir un soutien préliminaire à la stratification du risque périopératoire, mais son utilité clinique nécessite une validation supplémentaire. De plus, cette étude a évalué le RDC comme indicateur composite exploratoire, qui quantifie le déséquilibre entre « la charge en agent de contraste et l'élimination rénale ». Le RDC s'est avéré l'un des prédicteurs les plus influents dans le modèle et pourrait fournir des informations utiles pour l'évaluation individualisée du risque périopératoire. Ces résultats pourraient aider à formuler des hypothèses visant à identifier les patients à haut risque subissant des procédures neuro-interventionnelles, mais des études supplémentaires avec des échantillons plus larges et une validation externe sont nécessaires. Des recherches futures, incluant des échantillons plus importants et une validation externe, sont requises afin de déterminer si des modèles prédictifs multimodaux peuvent améliorer la stratification du risque d'IEC et favoriser une prévention et une prise en charge plus précises de cette complication.

Matériaux

Liste des matériaux utilisés dans cet article

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