מסגרת חקירתית של למידת מכונה (ML) המשתמשת בנתונים פרי-אופרטיביים ואופרטיביים הוערכה כדי לנבא אנצפלופתית מושרית ניגודיות (CIE) לאחר הליכים נוירו-אינטרוונציונליים. מודל Naive Bayes הראה את ביצועי התיאור המאוזנים ביותר, ויחס ניגודיות ל-eGFR (CGR) זוהה כגורם ניבוי פוטנציאלי חשוב להערכת סיכון פרטנית.
הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.
מאמר מחקר
ניבוי באמצעות למידת מכונה של אנצפלופתיה מושרית ניגוד לאחר הליכים נוירו-אינטרוונציונליים
* These authors contributed equally
במאמר זה
סיכום
תקציר
CIE הוא סיבוך נדיר אך חמור המתרחש לאחר פרוצדורות נוירו-אינטרוונציוניות, עבורו עדיין חסרים כלים ניבויים לא פולשניים ואמינים. מחקר זה נועד לפתח ולתקף מודל ML לניבוי CIE באמצעות נתונים קליניים ופרוצדורליים פרי-אופרטיביים, ולהעריך את ערך הניבוי של ה-CGR עבור CIE. זה היה מחקר רטרוספקטיבי רב-מרכזי שגייס באופן רציף 161 מטופלים שעברו פרוצדורות נוירו-אינטרוונציוניות במחלקה לנוירוכירורגיה בבית החולים Northern Theater General בין ינואר 2024 לדצמבר 2025. מדדי ניבוי פרי-אופרטיביים פוטנציאליים ל-CIE זוהו באמצעות ניתוח חד-משתני בשילוב עם רגרסיית LASSO. על בסיס המשתנים שנבחרו, הוכשרו ועברו אופטימיזציה חמישה מודלי ML—Naive Bayes, support vector machine (SVM), k-nearest neighbors (KNN), LightGBM ו-multilayer perceptron (MLP). ביצועי המודלים הוערכו באופן מקיף באמצעות השטח תחת עקומת מאפייני התפעול של מקלט (AUC) וניתוח עקומת החלטה (DCA). מבין המודלים שהוערכו, מודל ה-Naive Bayes הראה את ביצועי התיאור המבטיחים ביותר בסט הבדיקה הפנימי, עם AUC של 0.952 (95% CI: 0.843–1.000), רגישות של 100% וסגוליות של 90.3%; עם זאת, יש לפרש מדדים אלו בזהירות מכיוון שסט הנתונים היה לא מאוזן באופן משמעותי וקוהורט הבדיקה הפנימי היה קטן והכיל מספר מוגבל מאוד של מקרי CIE. תוצאות ה-DCA העלו תועלת קלינית נטו פוטנציאלית על פני הסתברויות סף נבחרות. ניתוח חשיבות המאפיינים הצביע על כך שה-CGR היה בין מדדי הניבוי בעלי הדירוג הגבוה ביותר הקשורים לסיכון ל-CIE בסט נתונים זה. מודל ה-Naive Bayes שהוערך במחקר זה עשוי לספק מסגרת ראשונית לסיווג סיכונים להערכה פרי-אופרטיבית של CIE לאחר פרוצדורות נוירו-אינטרוונציוניות. ה-CGR עלה כמאפיין ניבוי חשוב ועשוי לסייע בסיווג סיכונים פרטני. נדרש תיקוף חיצוני נוסף לפני יישום קליני.
מבוא
במהלך שני העשורים האחרונים, טכניקות התערבותיות זעיר-פולשניות שינו באופן יסודי את פרדיגמת הטיפול במחלות צרברובסקולריות1. פרוצדורות נוירו-אינטרוונציוניות—עם יתרונותיהן של יעילות גבוהה ופולשניות מינימלית—הפכו לאפשרויות טיפול חשובות עבור הפרעות צרברובסקולריות נבחרות2. עם זאת, ככל שמורכבותן של הפרוצדורות ההתערבותיות עולה, כך עולים גם המינונים של חומרי הניגוד המשמשים במהלך הפרוצדורות, לחצי ההזרקה ומשך החשיפה לחומרי הניגוד. כתוצאה מכך, סיבוכים הקשורים לחומרי ניגוד זכו לבחינה מעמיקה יותר ויותר3,4,5,6,7. CIE, תפקוד נוירולוגי לקוי, חריף וחולף המושרה על ידי חומרי ניגוד יודים (ICM), זוהה יותר ויותר כסיבוך רלוונטי מבחינה קלינית, במיוחד בפרוצדורות נוירו-אינטרוונציוניות מורכבות. הביטויים הקליניים הטיפוסיים של CIE מופיעים בדרך כלל תוך דקות עד 24 h לאחר החשיפה לחומר הניגוד וכוללים שינויים במצב ההכרה (כגון נמנום, דליריום או קומה), עיוורון קורטיקלי, גרעונות נוירולוגיים מוקדיים (כגון המיפרזיס או אפאזיה) והתקפים4,5,6. למרות שרוב מקרי ה-CIE הם בעלי הגבלה עצמית והתסמינים נסוגים בדרך כלל תוך 48 עד 72 h, חלק מהמטופלים עלולים לחוות ליקוי נוירולוגי מתמשך. מקרים חמורים עשויים אף להוביל למוות עקב בצקת מוחית מאסיבית4,7. חוסר הניתבויות של התוצאות מדגיש את הצורך הדחוף בפיתוח כלי אמין לניבוי מוקדם של סיכונים בתקופה הפרי-אופרטיבית.
ככל שנפח הנתונים הקליניים ממשיך לגדול, שיטות סטטיסטיות מסורתיות הופכות למבלטות יותר בעת התמודדות עם נתונים רפואיים רב-ממדיים המפגינים מולטיקוליניאריות (multicollinearity). יתרה מכך, ניתוחים חד-משתניים או מודלים פשוטים של רגרסיה לוגיסטית נכשלים לעיתים קרובות בלכידת אינטראקציות מורכבות ולא ליניאריות בין משתנים. למידת מכונה (ML) מציעה ממד חדש להתמודדות עם אתגרים אלו8. אלגוריתמי ML—כגון SVM, gradient boosting machines (LightGBM), ו-MLP—יכולים לזהות באופן אוטומטי תבניות חבויות במרחבי מאפיינים רב-ממדיים ולבנות מודלים לא ליניאריים בעלי יכולות ניבוי חזקות8,9,10,11. עם זאת, בעוד שהם שואפים לדיוק בניבוי, טבען של אלגוריתמים אלו כ"קופסה שחורה", המאופיין בחוסר יכולת פרשנות, מעלה לעיתים קרובות חששות בנוגע לאמון בקבלת החלטות רפואיות12,13. לעומת זאת, אלגוריתם Naive Bayes, עם הלוגיקה הפרובביליסטית הפשוטה ויכולת הפרשנות המובנית שלו, מדגים יתרונות ייחודיים במחקרים קליניים עם מדגמים קטנים14,15. על ידי הערכת תרומת ההסתברות הפוסטריורית (posterior probability) של כל משתנה מנבא לאירוע התוצאה, מודל Naive Bayes לא רק מבטיח ביצועי ניבוי אלא גם מספק לקלינאים תובנות אינטואיטיביות לתמיכה בקבלת החלטות. יתרה מכך, כדי להעריך כמותית את חוסר האיזון בין עומס חומר הניגוד לבין יכולת הפינוי האינדיבידואלית, מחקר זה מציג באופן חדשני את היחס בין חומר הניגוד ל-eGFR (CGR) כמאפיין ליבה. עבור מטופלים עם רזרבה תפקודית נמוכה של הכליות, אפילו מינונים בינוניים של חומרי ניגוד עלולים להוביל לערכי CGR גבוהים ביותר, אשר עשויים להגביר את הרגישות ל-CIE. CGR עשוי לספק מדד מרוכב ואינטואיטיבי מבחינה קלינית המשלב את נטל חומר הניגוד ואת יכולת הפינוי הכלית, אם כי ערך הניבוי המוסף שלו דורש תיקוף נוסף. על ידי שילוב של ביומרקר משולב זה, מחקר זה שאף לפתח מסגרת ניבוי המשקפת בצורה מדויקת יותר את המציאות הפתופיזיולוגית.
לסיכום, מחקר זה נועד לפתח ולתקף מודל חיזוי ל-CIE המבוסס על ML תוך שימוש במשתנים קליניים ופרוצדורליים פרי-אופרטיביים16. המטרות הספציפיות כוללות: (1) הצגה והערכה של CGR כאינדקס מורכב ניסיוני; (2) בנייה והשוואת ביצועים של חמישה מודלי ML — Naive Bayes, SVM, KNN, LightGBM ו-MLP; ו-(3) זיהוי המודל האופטימלי. בהתחשב במספר המוגבל של אירועי CIE, השוואת המודלים נחשבה כניסיונית וככזו המייצרת היפותזות. בסופו של דבר, מחקר זה עשוי לספק מסגרת ראשונית לסיווג סיכונים ל-CIE בפרקטיקה נוירו-אינטרוונציונלית, אך אין להשתמש בו ככלי עצמאי לקבלת החלטות קליניות ללא תיקוף חיצוני. הבסיס המושגי של CGR והקשרו לחשיפה לחומר ניגוד ולפינוי כלייתי מוצגים ב-איור 1A. זרימת העבודה הכוללת של המחקר, כולל עיבוד מקדמי של נתונים, חלוקה לאימון/בדיקה, בחירת מאפיינים ופיתוח מודלים, מסוכמת ב-איור 1B. מסגרת ההערכה ההשוואתית של חמשת מודלי ה-ML מוצגת ב-איור 1C.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
פרוטוקול המחקר נבדק ואושר על ידי ועדת האתיקה של בית החולים הכללי של Northern Theater Command (מספר אישור Ethics Y (2026) 75). למרות שהנתונים הקליניים נגזרו מחולים שטופלו בין ינואר 2024 לדצמבר 2025, המחקר הנוכחי נערך כניתוח רטרוספקטיבי של רשומות קליניות קיימות. האישור האתי שהתקבל בשנת 2026 כיסה חילוץ נתונים רטרוספקטיבי, הסרת זיהוי, ניתוח ופרסום של נתונים קליניים אלו שנאספו בעבר. לא בוצעו התערבויות פרוספקטיביות או גיוס מטופלים לפני קבלת האישור האתי. הדרישה להסכמה מדעת בכתב בוטלה בשל עיצוב המחקר כניתוח תצפיתי רטרוספקטיבי. כל ההליכים בוצעו בהתאם להצהרת הלסינקי, וכל הנתונים הקליניים עברו הסרת זיהוי לפני הניתוח. הניתוח הנוכחי נערך כחלק מפרויקט מחקר מאושר של נתונים קליניים נוירו-אינטרוונציוניים רטרוספקטיביים. החומרים והציוד הנדרשים להליכים המתוארים להלן מסוכמים בטבלת החומרים.
גיוס מטופלים וקביעת CIE
מטופלים שעשויים להיות מתאימים זוהו באמצעות שאילתה במערכת הרשומות הרפואיות האלקטרוניות עבור מטופלים שטופלו במחלקה לנוירוכירורגיה בבית החולים הכללי של Northern Theater Command בין ינואר 2024 לדצמבר 2025. החיפוש הראשוני הוגבל לפי תאריך אשפוז, מחלקה, אבחנה של מחלה צרברו-וסקולרית ורישומים של הליכים נוירו-אינטרוונציוניים. זרימת העבודה של סינון המטופלים והקצאת когоורט מוצגת ב-איור 2. מטופלים היו זכאים להכללה אם עמדו בכל הקריטריונים הבאים: (1) גיל בין 30 ל-80 שנים; (2) אבחנה של מחלה צרברו-וסקולרית הדורשת הערכה או טיפול נוירו-אינטרוונציוני; (3) זמינות של רשומות קליניות מלאות ותוצאות בדיקות מעבדה; ו-(4) בדיקת CT ראש לאחר ניתוח שבוצעה תוך 3 ימים לאחר הניתוח.
מטופלים הוצאו מהמחקר אם היו להם נתונים קליניים או נתוני דימות חסרים, אם לא עברו התערבות אנדווסקולרית, אם סבלו מגסרים נוירולוגיים חמורים לפני הניתוח (ציון של ≥4 במד Rankin Scale המעודכן), אם הודגם אוטם מוחי חריף בבדיקת דימוי שקלול דיפוזיה (diffusion-weighted imaging) לפני הניתוח, אם סבלו ממחלת כליות כרונית בשלב G4 ומעלה לפי הקריטריונים של Kidney Disease: Improving Global Outcomes (KDIGO), או אם סבלו ממחלה קרדיווסקולרית חמורה. קריטריוני ההכללה וההדרה הוחלו באופן רצופי. לאחר החיפוש האלקטרוני הראשוני, כל רשומה של מועמד נבדקה ידנית כדי לאשר את התאמתו ולתעד את סיבת ההדרה במידת הצורך. לאחר הסינון, מטופלים מתאימים הוקצו באופן אקראי לקבוצות אימון ובדיקה ביחס של 8:2, כולל קבוצת אימון (n = 128) וקבוצת בדיקה (n = 3). נעשה שימוש בדגימה אקראית מרובדת כדי לשמור על התפלגות עקבית של מקרי CIE ומקרי non-CIE בין שתי הקבוצות.
האבחנה של CIE התבססה בעיקר על הקשר הכרונולוגי בין הופעת התסמינים לבין פרוצדורות התערבות צרברו-וסקולרית, בשילוב עם הערכה דימויית לשלילת גורמים אחרים. שני מומחים עצמאיים להתערבות צרברו-וסקולרית סקרו את הרשומות הקליניות לאחר הניתוח, את זמן הופעת התסמינים, את הביטויים הנוירולוגיים ואת ממצאי ההדמיה לאחר הניתוח עבור כל המקרים החשודים. מחלוקות נפתרו באמצעות דיון עד להשגת הסכמה. מטופלים נחשבו תואמים ל-CIE אם התפתחו עיוורון קורטיקלי, שינוי במצב ההכרה (כולל נמנום, דליריום או קומה), פרכוס, או גרעונות נוירולוגיים מוקדיים כגון חמיפרזיס או אפזיה, בתוך 24 h מסיום הפרוצדורה הנוירו-אינטרוונציונית.
לאחר הופעת התסמינים, סיבות חלופיות העשויות לגרום למניפסטציות נוירולוגיות דומות נשללו באמצעות סקירה של תמונות CT או MRI לאחר הניתוח, יחד עם המעקב הקליני. CT ראש לאחר הניתוח בוצע לפי הפרוטוקול המוסדי הסטנדרטי ל-CT קרניאלי ללא חומר ניגוד. פרמטרי הרכישה המהותיים כללו מתח צינור של 80 kVp, זרם צינור של 260 mA, עובי חתך של 0.5 mm ושחזור אקסיאלי סטנדרטי. התמונות נסקרו בחלונות מוח ועצם על ידי קלינאים מנוסים. במהלך האבחנה המבדלת נשקלו דימום תו-גולגולתי חריף, דימום תת-עכבישי, דימום תוך-מוחי, אוטם מוחי נרחב שהתפתח לאחרונה, שינויים הקשורים להתקפים, זיהום והפרעות מטבוליות. בדיקות CT לאחר הופעת התסמינים הראו בדרך כלל בצקת מוחית מוקדית או דיפוזית וצלליים בצפיפות גבוהה המערבים את הקורטקס, אזורים תת-קורטיקליים או את החלל התת-עכבישי, המדמים נגעים דימומיים. ממצאי MRI מראים בדרך כלל נפיחות קורטיקלית, במיוחד באזור הקורטקס הטמפורופריאטלי אוקסיפיטלי. עם זאת, בחלק מהמטופלים, בדיקות CT או MRI לא הראו חריגות ברורות למרות מניפסטציות קליניות תואמות.
איסוף משתנים פרי-אופרטיביים ובניית CGR
נתונים דמוגרפיים כלליים, כולל גיל, מין ומשקל גוף, הופקו משדות מובנים במערכת הרשומות הרפואיות האלקטרוניות. משתנים של היסטוריה קלינית, כולל היסטוריית עישון, היסטוריית צריכת אלכוהול, יתר לחץ דם, סוכרת ומחלה כלילית של הלב, הופקו מהערות קבלה, מרשומות היסטוריה רפואית קודמת ומאבחנות שחרור, ונבדקו להצלבה לצורך עקביות. נתונים מעבדתיים הופקו ממערכת המידע המעבדתית. עבור כל מטופל, נעשה שימוש בדגימת דם ורידית ראשונה שנלקחה לאחר הקבלה ולפני הפרוצדורה הנוירו-אינטרוונציונית. המשתנים המעבדתיים שהופקו כללו קריאטינין בנסיב, קצב סינון גלומרולרי מוערך (eGFR), כולסטרול כולל ורמות טריגליצרידים. eGFR חושב באמצעות המשוואה המבוססת על קריאטינין של Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI) והתקבל ממערכת המידע המעבדתית של בית החולים.
מכיוון שמורכבות הפרוצדורה, החשיפה לחומר ניגוד ומיקום הנגע עשויים להשפיע על פגיעה במחסום הדם-מוח ועל שימור חומר הניגוד במהלך פרוצדורות נוירו-אינטרוונציוניות, משתנים פרוצדורליים פרי-אופרטיביים שולבו גם הם במסגרת החיזויית. המשתנים הקשורים לפרוצדורה כללו את מיקום הנגע, סוג הפרוצדורה, משך הפרוצדורה, סוג חומר הניגוד ונפח הניגוד הכולל. מיקום הנגע וסוג הפרוצדורה נקבעו מתוך דוחות ניתוח ורישומים אנגיוגרפיים. משך הפרוצדורה הוגדר כזמן מרגע הניקור העורקי ועד לסיום הפרוצדורה הנוירו-אינטרוונציונית. נפח הניגוד הכולל הוגדר כנפח המצטבר של חומר ניגוד יודנני שניתן מתחילת הפרוצדורה ועד סופה. חומרי הניגוד ששימשו במחקר זה היו ICA לא-יוניים, כולל iodixanol (320 mg של יוד/mL), שניתנו בהתאם לפרקטיקה הקלינית המוסדית. כל הפרוצדורות הנוירו-אינטרונבנציוניות שנכללו במחקר זה בוצעו תחת הנחיית אנגיוגרפיית חיסור דיגיטלית על ידי צוות נוירו-אינטרוונציוני מנוסה במרכז המחקר. כל הפרוצדורות בוצעו באמצעות גישה עורקית טרנס-פמורלית. במהלך ההתערבות, החולים קיבלו נוגדי קרישה תוך-ניתוחיים עם heparin, וזמן קרישה מופעל (activated clotting time) נשמר בטווח היעד של 250–30 s. סימנים חיוניים נוטרו באופן רציף לאורך כל הפרוצדורה.
התערבויות טיפוליות, כולל אמבוליזציה של מפרצת, אנגיופלסטיה והשמה של תומך (סטנט), בוצעו בהתאם למאפייני הנגע ולשיקול דעת המנתח. מיקרוקתטרים, סלילים, תומכים או בלונים מתאימים נבחרו בהתאם לדרישות הפרוצדורה. במהלך ההדמיה האנגיוגרפית וההתערבות, חומרי ניגוד הומסקו באמצעות הזרקה בלחץ גבוה או עירוי ידני בקצב קבוע. סוג חומר הניגוד ונפח הניגוד הכולל הופקו מרישומי הפרוצדורה ונבדקו מול רישומי ההרדמה או הסיעות, כאשר אלו היו זמינים. רשומות עם מידע לא עקבי או חסר לגבי נפח חומר הניגוד נסקרו ידנית לפני הכללתן במערך הנתונים האנליטי הסופי.
כל המשתנים הקשורים להליך, כולל משך הפרוצדורה, סוג ההתערבות הטיפולית, שימוש במכשירים ורישומים של מתן חומר ניגוד, נסקרו באופן שיטתי ונבדקו לשלימות ועקביות לפני הניתוח. כדי להעריך באופן כמותי את חוסר האיזון בין עומס חומר הניגוד לבין קיבולת הפינוי הכליתי, נקבע ה-CGR כמשתנה ניבוי מרכזי וחושב לפי המשוואה הבאה:
(1)
נפח חומר הניגוד הכולל נרשם ב-mL, וה-eGFR נרשם ב-mL/min/1.73 m2. ערך ה-eGFR ששימש לחישוב ה-CGR היה ערך ה-eGFR הפרה-אופרטיבי שהתקבל מדגימת הדם הוורידית הראשונה שנלקחה לאחר הקבלה ולפני ההליך הנוירו-אינטרוונציוני. עבור כל מטופל, ה-CGR חושב לאחר אימות של נפח חומר הניגוד הכולל ושל ה-eGFR. המונה היה נפח חומר הניגוד הכולל ב-mL, והמכנה היה ה-eGFR ב-mL/min/1.73 m2. כלל חישוב זה הוחל על כל המטופלים לפני פיתוח המודל.
בחירת מאפיינים וזרימת עבודה של למידה חישובית (ML)
על מנת להבטיח רובסטות אנליטית, כל המשתנים הקליניים והמעבדתיים עברו הליכי בקרת איכות שיטתיים לפני האנליזה. שיעור הנתונים החסרים חושב עבור כל משתנה מועמד לפני פיתוח המודל. במערך הנתונים האנליטי הסופי, לא נצפו ערכים חסרים בקרב המנבאים הנכללים או תגי התוצאה; לפיכך, אף משתנה לא הוצא מהניתוח בשל חסר בנתונים, ולא נדרשה השלמה מרובה (multiple imputation). סיכום מפורט של הנתונים החסרים מופיע ב- טבלה משלימה 1.
כל המשתנים המנבאים הפוטנציאליים הוערכו בתחילה באמצעות ניתוחים חד-משתניים כדי לבחון את קשריהם להתרחשות של CIE. שיטות סטטיסטיות נבחרה בהתאם למאפייני ההתפלגות של הנתונים. משתנים בעלי התפלגות נורמלית הוצגו כממוצע ± סטיית תקן והושוו באמצעות מבחן t למדגמים בלתי תלויים. משתנים בעלי התפלגות לא נורמלית הוצגו כחציונית (טווח בין-רבעוני, IQR) ונותחו באמצעות מבחן Mann–Whitney U. משתנים קטגוריאליים הוצגו כשכיחויות ואחוזים ונותחו באמצעות מבחן חי-ריבוע או מבחן Fisher המדויק. מובהקות סטטיסטית הוגדרה כ- p < 0.05.
כל מערך הנתונים חולק באופן אקראי לקבוצות אימון ובדיקה ביחס של 8:2 לפני פיתוח המודל. כדי למזער התאמת יתר (overfitting) ולהפחית מולטיקוליניאריות, הוחלה רגרסיית LASSO (least absolute shrinkage and selection operator) בשילוב עם אימות צולב (cross-validation) של 10 קיפולים לצורך בחירת מאפיינים. בחירת המאפיינים, כוונון ההיפר-פרמטרים ופיתוח המודל בוצעו באמצעות קבוצת האימון בלבד כדי למנוע זליגת נתונים. קבוצת הבדיקה הפנימית לא שימשה במהלך הערכת פרמטרי השלמה (imputation), בחירת מאפיינים, כוונון היפר-פרמטרים או אימון המודל, והוצמדה לשימוש חד-פעמי לצורך הערכת הביצועים הסופית. אופטימיזציה של ההיפר-פרמטרים בוצעה באמצעות אסטרטגיית חיפוש רשת (grid search) עם אימות צולב של 10 קיפולים בתוך קבוצת האימון. באופן ספציפי, קבוצת האימון חולקה באופן אקראי ל-10 תת-קבוצות מוexcluded-ly. במהלך כל חזרה, תשע תת-קבוצות שימשו לאימון המודל, והתת-קבוצה הנותרת שימשה לאימות. תהליך זה חזר 10 פעמים כדי להבטיח שכל תת-קבוצה שימשה כקבוצת אימות בדיוק פעם אחת.
כל האנליזות החישוביות בוצעו בסביבת Python. פיתוח והערכה של מודלי ML בוצעו באמצעות scikit-learn. סקריפטים של אנליזה המשמשים לעיבוד מקדים של נתונים, בחירת תכונות, אימון מודלים, הערכת ביצועים ו-DCA סופקו כקבצי קוד משלימים. לצורך יישום המודל, התכונות שנבחרו מרגרסיית LASSO שימשו כמשתני קלט עבור כל המסווגים המועמדים. משתנים רציפים עברו סטנדרטיזציה באמצעות נורמליזציית z-score בתוך קבוצת האימון, ואותם פרמטרי סקיילינג הוחלו על קבוצת הבדיקה הפנימית. משתנים קטגוריאליים קודדו לפי סכמת הקידוד שהוגדרה מראש, והגדרות המשתנים וסכמת הקידוד מופיעות ב-Supplementary Table 2. חמישה מסווגים יושמו: Gaussian Naive Bayes, SVM, KNN, LightGBM ו-MLP. עבור SVM, כווננו סוג הגרעין (kernel type), פרמטר הרגולריזציה C ומקדם הגרעין gamma. עבור KNN, כווננו מספר השכנים ואסטרטגיית שקלול המרחק. עבור LightGBM, כווננו מספר האומדנים (estimators), קצב הלמידה, עומק העץ המקסימלי ומספר העלים. עבור MLP, כווננו מבנה השכבה החבויה, פונקציית ההפעלה, פרמטר הרגולריזציה וקצב הלמידה. Gaussian Naive Bayes יושם תוך שימוש בהגדרת variance smoothing שצוינה. שילוב ההיפר-פרמטרים האופטימלי עבור כל מודל נבחר בהתאם לביצועי ולידציה צולבת (cross-validation) בתוך קבוצת האימון. שילובי ההיפר-פרמטרים האופטימליים הסופיים שנבחרו עבור כל מודל מסוכמים ב-Supplementary Table 3. לאחר בחירת ההיפר-פרמטרים, כל מודל סופי הותאם מחדש (refitted) על קבוצת האימון המלאה והוערך פעם אחת בקבוצת הבדיקה הפנימית.
השוואות של ביצועי המודל
על בסיס המנבאים שנבחרו, פותחו והושוו חמישה מודלים של למידה חישובית (ML). ביצועי המודלים הוערכו הן בקבוצת האימון והן בקבוצת הבדיקה באמצעות השטח תחת עקומת מאפייני תגובת המקלט (AUC), רווח ברחב信頼 95% (95% CI), רגישות, סגוליות ודיוק. עקומות מאפייני תגובת המקלט הופקו כדי להשוות את ביצועי ההבחנה של המודלים השונים. סף הסיווג האופטימלי עבור כל מודל נקבע באופן בלעדי בתוך קבוצת האימון באמצעות מדד Youden. הסף שהתקבל נקבע לאחר מכן כקבוע והוחל ללא שינוי על קבוצת הבדיקה הפנימית לצורך חישוב מדדי ביצועים התלויים בסף.
ניתוח עקומת החלטה
ניתוח עקומת תועלת (DCA) בוצע על ידי חישוב התועלת נטו של כל מודל על פני טווח של הסתברויות סף, והשוואת האסטרטגיה המבוססת על המודל לשתי אסטרטגיות ברירת מחדל: טיפול בכל המטופלים ואי-טיפול באף מטופל. DCA נבחר מכיוון שהוא מאפשר הערכה סימולטנית של ביצועי ההבחנה והשמישות הקלינית הפוטנציאלית במסגרת קבלת החלטות פרי-אופרטיביות. כדי להקל על השחזור, זרימת העבודה המלאה בוצעה ברצף הבא: זיהוי מטופלים ממערכת הרשומות הרפואיות האלקטרוניות, יישום קריטריוני הכללה והחרגה, קביעת CIE על ידי שני מומחים עצמאיים, חילוץ ובדיקה הצלבית של משתנים דמוגרפיים, היסטוריה קלינית, מעבדה ומשתנים הקשורים להליך, חישוב CGR, הערכת נתונים חסרים ופיצול לקבוצת אימון ובדיקה, בחירת מאפיינים מבוססת LASSO בתוך קבוצת האימון, כוונון היפר-פרמטרים באמצעות ולידציה צולבת של 10 קיפולים, התאמה מחדש של המודל הסופי בקבוצת האימון המלאה, הערכת קבוצת בדיקה פנימית, הערכת ביצועים מבוססת ROC, קביעת סף לפי מדד Youden, ו-DCA.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
גיוס מטופלים וקביעת CIE
במחקר זה נכללו סך הכל 161 מטופלים שעברו הליכים נוירו-אינטרוונציוניים, מתוחם 12 (7.5%) פיתחו CIE, בעוד ש-149 (92.5%) לא פיתחו. תהליך סינון המטופלים והחלוקה לקבוצות מפורט ב-איור 2. האבחנה של CIE נקבעה על סמך הקשר הזמני בין הופעת התסמינים להליכים הנוירו-אינטרוונציוניים, בשילוב עם ממצאי דימות ששללו אבחנות אחרות. ממצאי דימות עצבית מייצגים של CIE מוצגים ב-איור 3A–D.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
CIE היא סיבוך נדיר אך פוטנציאלית חמור לאחר הליכים נוירו-אינטרוונציוניים, המאופיין בתפקוד נוירולוגי לקוי חריף המתרחש זמן קצר לאחר חשיפה לחומרי ניגוד. למרות שהמצב הוא בדרך כלל הפיך, במקרים מסוימים הוא עלול להוביל לגירעונות נוירולוגיים מתמידים או אפילו לתוצאות מסכנות חיים, מה שמדגיש את חשיבותם של זיהוי מוקדם של סיכונים17,18,19,20. עם זאת, המנגנונים הפתופיזיולוגיים העומדים בבסיס CIE הם מורכבים ורב-...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
גילויים
המחברים מצהירים כי אין להם ניגודי אינטרסים. פלטפורמת OnekeyAI שימשה במחקר זה ככלי מחקר בלבד לצורך ניתוח נתונים מובנה ופיתוח מודלים.
תודות
עבודה זו נתמכה על ידי תוכנית המדע והטכנולוגיה המשותפת של מחוז ליאונינג (תוכנית מחקר ופיתוח מרכזית; מענק מס' 2025JH2/101800053) ותוכנית הכשרונות Xingliao של מחוז ליאונינג (מענק מס' XLYC2403134). המחברים מודים על התמיכה של המחלקה לנוירוכירורגיה בבית החולים הכללי של התיאטרון הצפוני, באיסוף נתוני מטופלים ובסקירת הדמיות עצביות.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| מערכת רשומות רפואיות אלקטרוניות | Northern Theater General Hospital | מערכת קלינית מוסדית | שימשה לחילוץ נתונים רטרוספקטיבי איסוף משתנים דמוגרפיים ומשתני היסטוריה קלינית |
| מערכת מידע מעבדתית | Northern Theater General Hospital | מערכת מעבדה מוסדית | שימשה לחילוץ נתוני מעבדה רטרוספקטיביים איסוף נתוני קראטינין בנסיוב, eGFR, פרופיל ליפידים ונתוני מעבדה אחרים |
| מערכת אנגיוגרפיה בחיסור דיגיטלי | Philips | Allura Xper FD 20 (עם Interventional Workstation R1.3.2) | שימשה במהלך הליכים קליניים שגרתיים הליך נוירו-אינטרוונציוני ותיעוד שימוש בחומר ניגוד |
| סורק CT | Philips | Ingenuity CT | שימש להערכת דימות לאחר ניתוח הערכת CT קרניאלי לאחר ניתוח |
| פלטפורמת OnekeyAI לניתוח נתונים מובנים | OnekeyAI | 20240916 | שימשה ככלי מחקר; ללא תפקיד בקבלת החלטות קליניות עיבוד מקדים של נתונים מובנים, בניית מודל, הערכת מודל ויצירת איורים |
| Python | Python Software Foundation | 3.7.12 | שפת תכנות בקוד פתוח עיבוד מקדים של נתונים, ניתוח סטטיסטי, פיתוח מודל וויזואליזציה |
| scikit-learn | מפתחי scikit-learn | 1.0.2 | ספריית למידת מכונה של Python בקוד פתוח LASSO, Naive Bayes, SVM, KNN, MLP, ניתוח ROC ומדדי ביצועים |
מקורות
- 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.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.