ניבוי באמצעות למידת מכונה של אנצפלופתיה מושרית ניגוד לאחר הליכים נוירו-אינטרוונציונליים

Ma Liang; Bao Long; Ma He; Zhang Ruixuan; Zhao Huiyang; Jin Hai

doi:10.3791/72340

מאמר מחקר

ניבוי באמצעות למידת מכונה של אנצפלופתיה מושרית ניגוד לאחר הליכים נוירו-אינטרוונציונליים

DOI:

10.3791/72340

⸱

14 באוגוסט 2026

Ma Liang^*¹ , Bao Long^*¹ , Ma He² , Zhang Ruixuan² , Zhao Huiyang³ , Jin Hai³

¹Department of Neurosurgery, The First Affiliated Hospital of Jinzhou Medical University, ²The College of Medicine and Biological Information Engineering, Northeastern University, ³Department of Neurosurgery, Northern Theater General Hospital

^* These authors contributed equally

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרוטוקול המחקר נסקר ואושר על ידי ועדת האתיקה של בית החולים הכללי של פיקוד התאטרון הצפוני (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-אינטרוונציונליים רטרוספקטיביים. החומרים והציוד הדרושים להליכים המתוארים להלן מסוכמים בטבלת החומרים.

גיוס מטופלים וקביעת CIE

מטופלים בעלי זכאות פוטנציאלית 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-אינטרוונציונליים. תזרים סינון המטופלים והקצאת העוקבה מודגם 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-אינטרוונציונלי; (3) זמינות של רשומות קליניות מלאות ותוצאות בדיקות מעבדה; ו-(4) בדיקת CT של הראש לאחר הניתוח שבוצעה בתוך 3 ימים מהניתוח.

מטופלים הוחרגו אם היו להם נתונים קליניים או נתוני דימות חסרים, אם לא עברו התערבות אנדווסקולרית, אם היו להם גרעונות נוירולוגיים חמורים טרום-ניתוחיים (ציון modified Rankin Scale ≥4), אם הודגם אוטם מוחי חריף ב-diffusion-weighted imaging טרום-ניתוחי, אם סבלו ממחלת כליות כרונית בשלב G4 ומעלה על פי קריטריוני Kidney Disease: Improving Global Outcomes (KDIGO), או אם סבלו ממחלה קרדיווסקולרית חמורה. קריטריוני ההכללה וההחרגה יושמו באופן רצפי. לאחר החיפוש האלקטרוני הראשוני, כל רשומת מועמד נסקרה ידנית כדי לאשר התאמה וכדי לתעד את סיבת ההחרגה במידת הצורך. לאחר הסינון, מטופלים מתאימים הוקצו באופן אקראי לקבוצות אימון ובדיקה ביחס של 8:2, כולל קבוצת אימון (n = 128) וקבוצת בדיקה (n = 33). דגימה אקראית מותבססת (Stratified random sampling) שימשה לשמירה על התפלגות עקבית של מקרי CIE ומקרי non-CIE בין שתי הקבוצות.

האבחנה של CIE התבססה בעיקר על הקשר הכרונולוגי בין הופעת התסמינים לבין הליכי התערבות צרבורית, בשילוב עם הערכת דימות לשלילה. שני מומחים עצמאיים להתערבויות צרבוריות סקרו את הרשומות הקליניות לאחר הניתוח, את זמן הופעת התסמינים, את הביטויים הנוירולוגיים ואת ממצאי הדימות לאחר הניתוח עבור כל המקרים החשודים. מחלוקות נפתרו באמצעות דיון עד להשגת הסכמה. מטופלים נחשבו כעומדים בקריטריונים ל-CIE אם התפתחו עיוורון קליפתי חדש, שינוי במצב ההכרה (כולל נמנום, דליריום או קומה), פרכוס, או גרעונות נוירולוגיים מוקדיים כגון המיפרזיס או אפזיה בתוך 24 h מסיום ההליך הנוירו-אינטרוונציונלי.

לאחר הופעת התסמינים, נשללו סיבות חלופיות העשויות לגרום למופעים נוירולוגיים דומים על ידי סקירה של דימויי CT או MRI פוסט-אופרטיביים יחד עם המהלך הקליני. CT ראש פוסט-אופרטיבי בוצע באמצעות פרוטוקול CT קרניאלי סטנדרטי ללא חומר ניגוד של המוסד. פרמטרי הרכישה העיקריים כללו מתח שפופרת של 80 kVp, זרם שפופרת של 260 mA, עובי פרוסה של 0.5 mm, ושחזור אקסיאלי סטנדרטי. הדימויים נסקרו בחלונות מוח ועצם על ידי קלינאים מנוסים. במהלך האבחנה המבדלת נשקלו דימום תו-גולגולתי חריף, דימום סוב-עכבישי, דימום תוך-מוחי, אוטם מוחי רחב בשטח שהתפתח לאחרונה, שינויים הקשורים לפרכוסים, זיהום והפרעות מטבוליות. בדיקות CT לאחר הופעת התסמינים הדגימו בדרך כלל בצקת מוחית מוקדית או דיפוזית וצללים בצפיפות גבוהה המערבים את הקורטקס, אזורים סוב-קורטיקליים או את החלל הסוב-עכבישי, המדמים נגעים המורגיים. ממצאי MRI מדגימים בדרך כלל נפיחות קורטיקלית, במיוחד המערבת את הקורטקס הטמפורו-פריאטלי והאוקסיפיטלי. עם זאת, בחלק מהחולים, בדיקות CT או MRI לא הראו חריגות ברורות למרות ביטויים קליניים תואמים.

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 היסטוריה של עישון, היסטוריה של צריכת אלכוהול, יתר לחץ דם, סוכרת ומחלת לב כלילית, הופקו מהערות קבלה, מרשומות היסטוריה רפואית קודמת ומאבחנות שחרור, ונבדקו הצלבה לצורך עקביות. נתונים מעבדתיים הופקו ממערכת המידע המעבדתית. עבור כל מטופל, נעשה שימוש בדגימת דם ורידית ראשונה שנלקחה לאחר הקבלה ולפני הפרוצדורה הנוירו-אינטרוונציונלית. המשתנים המעבדתיים שהופקו כללו קריאטינין בנסיוב, קצב סינון גלומרולרי מוערך (eGFR), כולסטרול כולל ורמות טריגליצרידים. ה-eGFR חושב באמצעות המשוואה המבוססת על קריאטינין של Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI) והתקבל ממערכת המידע המעבדתית של בית החולים.

מאחר 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 אף הם במסגרת הניבוי. המשתנים הקשורים לפרוצדורה כללו את מיקום הנגע, סוג הפרוצדורה, משך הפרוצדורה, סוג חומר הניגוד ונפח חומר הניגוד הכולל. מיקום הנגע וסוג הפרוצדורה נקבעו על סמך דוחות ניתוח ורישומי אנגיוגרפיה. משך הפרוצדורה הוגדר כזמן מרגע הניקור העורקי ועד לסיום הפרוצדורה הנוירו-אינטרוונציונית. נפח חומר הניגוד הכולל הוגדר כנפח המצטבר של חומר ניגוד מיוד 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-אינטרוונציוניות שנכללו במחקר זה בוצעו תחת הדרכה של אנגיוגרפיה בחיסור דיגיטלי (DSA) על ידי צוות נוירו-אינטרוונציוני מנוסה במרכז המחקר. כל הפרוצדורות בוצעו בגישה עורקית טרנס-פמורלית. במהלך ההתערבות, המטופלים קיבלו טיפול אנטי-קוואגולנטי תוך-ניתוחי עם heparin, וזמן קרישה מופעל (ACT) נשמר בטווח המטרה של 250–300 s. סימנים חיוניים נוטרו באופן רציף לאורך כל הפרוצדורה.

התערבויות טיפוליות, הכוללות תסביב (embolization) של מפרצת, פלסטיקה של כלי דם (angioplasty) והשתלת סטנט, בוצעו בהתאם למאפייני הנגע ולשיקול דעת המנתח. מיקרוקתטרים, סלילים, סטנטים או בלונים מתאימים נבחרו בהתאם לדרישות הפרוצדורה. במהלך הדימות האנגיוגרפי וההתערבות, חומרי ניגוד הוגשו באמצעות הזרקה בלחץ גבוה או עירוי ידני בקצב קבוע. סוג חומר הניגוד והנפח הכולל של חומר הניגוד הופקו מרישומי הפרוצדורה ונבדקו מול רישומי ההרדמה או הסיעוד כאשר היו זמינים. רשומות עם מידע לא עקבי או חסר לגבי נפח חומר הניגוד נבדקו ידנית לפני הכללתן במערך הנתונים האנליטי הסופי.

כל המשתנים הקשורים להליך, כולל משך ההליך, סוג ההתערבות הטיפולית, שימוש במכשירים ורישומים של מתן חומרי ניגוד, נסקרו באופן שיטתי ונבדקו לצורך השלמות ועקביות לפני הניתוח. כדי להעריך באופן כמותי את חוסר האיזון בין עומס חומר הניגוד לבין קיבולת הפינוי הכלית, נקבע ה-CGR כמשתנה ניבוי מרכזי והוא חושב לפי המשוואה הבאה:

figure-protocol-1 (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 הפרוצדורה הנוירו-אינטרוונציונלית. 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 ותהליכי עבודה של ML

על מנת להבטיח חסון אנליטי, כל המשתנים הקליניים והמעבדתיים עברו הליכי בקרת איכות סיסטמטיים לפני הניתוח. שיעור הנתונים החסרים חושב עבור כל משתנה מועמד לפני פיתוח המודל. במערך הנתונים האנליטי הסופי, לא נצפו ערכים חסרים בקרב המנבאים שנכללו או בתוויות התוצאה; לפיכך, אף משתנה לא הוצא מהניתוח עקב חסר, ולא נדרש ביצוע השלמה מרובה (multiple imputation). סיכום מפורט של הנתונים החסרים מופיע ב-Supplementary Table 1.

כל משתני הניבוי המועמדים הוערכו תחילה באמצעות ניתוחים חד-משתני כדי לבחון את הקשרים שלהם עם התרחשות של CIE. שיטות סטטיסטיות נבחרו בהתאם למאפייני ההתפלגות של הנתונים. משתנים עם התפלגות נורמלית הובאו כממוצע ± סטיית תקן והושוו באמצעות מבחן t למדגמים בלתי תלויים. משתנים עם התפלגות שאינה נורמלית הובאו כחציון (טווח בין-רבעוני, IQR) ונותחו באמצעות מבחן Mann–Whitney U. משתנים קטגוריאליים הוצגו כשכיחויות ואחוזים ונותחו באמצעות מבחן chi-square או מבחן Fisher exact. 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 מולטי-קוליניאריות, הופעל רגרסיית LASSO (least absolute shrinkage and selection operator) בשילוב עם וולידציה צולבת של 10 מקפלים (10-fold cross-validation) 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, והיא שימשה פעם אחת בלבד להערכת הביצועים הסופית. אופטימיזציה של ההיפר-פרמטרים בוצעה באמצעות אסטרטגיית חיפוש רשת (grid search) עם וולידציה צולבת של 10 מקפלים בתוך קבוצת האימון. באופן ספציפי, קבוצת האימון חולקה באופן אקראי ל-10 תתי-קבוצות שאינן חופפות. במהלך כל איטרציה, תשע תתי-קבוצות שימשו לאימון המודל, ותת-הקבוצה הנותרת שימשה לוולידציה. תהליך זה חזר על עצמו 10 פעמים כדי להבטיח שכל תת-קבוצה תשמש כקבוצת וולידציה בדיוק פעם אחת.

כל הניתוחים החישוביים בוצעו בסביבת Python. פיתוח והערכת מודלים של ML בוצעו באמצעות scikit-learn. סקריפטי הניתוח ששימשו לעיבוד מקדים של נתונים, בחירת מאפיינים, אימון מודלים, הערכת ביצועים ו-DCA סופקו כקבצי קוד נלווים. לצורך יישום המודלים, המאפיינים שנבחרו מרגרסיית LASSO שימשו כמשתני קלט עבור כל המסווגים המועמדים. משתנים רציפים עברו סטנדרטיזציה באמצעות נורמליזציית z-score בתוך קהילת האימון, ואותם פרמטרי סקאלינג הוחלו על קהילת הבדיקה הפנימית. משתנים קטגוריאליים קודדו על פי סכמת קידוד שהוגדרה מראש, והגדרות המשתנים וסכמת הקידוד מופיעות ב-Supplementary Table 2. חמישה מסווגים יושמו: Gaussian Naive Bayes, SVM, KNN, LightGBM ו-MLP. עבור SVM, בוצע כוונון של סוג הגרעין (kernel type), פרמטר הרגולריזציה C ומקדם הגרעין gamma. עבור KNN, בוצע כוונון של מספר השכנים ואסטרטגיית שקלול המרחקים. עבור LightGBM, בוצע כוונון של מספר האומדנים (estimators), קצב הלמידה, עומק העץ המקסימלי ומספר העלים. עבור MLP, בוצע כוונון של מבנה השכבות החבויות, פונקציית ההפעלה, פרמטר הרגולריזציה וקצב הלמידה. Gaussian Naive Bayes יושם באמצעות הגדרת variance smoothing שצוינה. השילוב האופטימלי של היפר-פרמטרים עבור כל מודל נבחר בהתאם לביצועי תיקוף צולב (cross-validation) בתוך קהילת האימון. שילובי ההיפר-פרמטרים האופטימליים הסופיים שנבחרו עבור כל מודל מסוכמים ב-Supplementary Table 3. לאחר בחירת ההיפר-פרמטרים, כל מודל סופי אומן מחדש על קהילת האימון המלאה והוערך פעם אחת בקהילת הבדיקה הפנימית.

השוואות של ביצועי המודל

על בסיס המנבאים שנבחרו, פותחו והושוו חמישה מודלים של למידה חישובית (ML). ביצועי המודלים הוערכו הן בקוהורט האימון והן בקוהורט הבדיקה באמצעות השטח תחת העקומה של מאפייני תפעול המקלט (AUC), רווח סמך של 95% (95% CI), רגישות, סגוליות ודיוק. עקומות מאפייני תפעול המקלט הופקו כדי להשוות את ביצועי ההבחנה של המודלים השונים. סף הסיווג האופטימלי עבור כל מודל נקבע באופן בלעדי בתוך קוהורט האימון באמצעות מדד Youden. הסף שהתקבל נקבע לאחר מכן כקבוע ויושם ללא שינוי על קוהורט הבדיקה הפנימי לצורך חישוב מדדי ביצועים התלויים בסף.

ניתוח עקומת החלטה (Decision curve analysis)

ניתוח עקומת תועלת (DCA) בוצע על ידי חישוב התועלת הנטו 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 בהגדרות של קבלת החלטות פרי-אופרטיביות. כדי להקל על השחזור, זרימת העבודה המלאה בוצעה ברצף הבא: זיהוי מטופלים ממערכת הרישום הרפואי הממוחשב, יישום קריטריוני הכללה והחרגה, הכרעה לגבי CIE על ידי שני מומחים עצמאיים, חילוץ ובדיקה הצלבית של משתנים דמוגרפיים, היסטוריה קלינית, נתוני מעבדה ומשתנים הקשורים לפרוצדורה, חישוב CGR, הערכת נתונים חסרים וחלוקה לקבוצת אימון ובדיקה, בחירת מאפיינים מבוססת LASSO בתוך קבוצת האימון, כוונון היפר-פרמטרים באמצעות ולידציה צולבת של 10-fold, התאמה סופית של המודל בכל קבוצת האימון, הערכה פנימית של קבוצת הבדיקה, הערכת ביצועים מבוססת ROC, קביעת סף לפי מדד Youden, ו-DCA.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

גיוס מטופלים וקביעת CIE

סה"כ 161 מטופלים שעברו הליכים נוירו-אינטרוונציוניים נכללו במחקר זה, מתוכם 12 (7.5%) פיתחו CIE, בעוד ש-149 (92.5%) לא פיתחו זאת. תהליך סינון המטופלים והחלוקה לקבוצות מפורט ב-איור 2. האבחנה של CIE נקבעה על בסיס הקשר הזמני בין הופעת התסמינים להליכים הנוירו-אינטרוונציוניים, בשילוב עם ממצאי דימות שוללים. ממצאי נוירו-אימג'ינג מייצגים של CIE מוצגים ב-איור 3A–D.

המאפיינים הדמוגרפיים, הקליניים, המעבדתיים והפרוצדורליים של שתי הקבוצות בנקודת הבסיס מסוכמים בטבלה 1. לא נצפו הבדלים משמעותיים בין קבוצת ה-CIE לקבוצת ה-non-CIE מבחינת גיל, התפלגות מינים או משקל גוף (כולם p > 0.05). באופן דומה, השכיחות של מחלות רקע נפוצות, כולל יתר לחץ דם, סוכרת ומחלת לב כלילית, לא נבדלה באופן משמעותי בין שתי הקבוצות (כולם p > 0.05). גם גורמי סגנון חיים, כגון צריכת אלכוהול ומצב עישון, היו דומים.

לעומת זאת, מספר משתנים הקשורים למעבדה ולפרוצדורה הראו הבדלים משמעותיים בין שתי הקבוצות. לחולים בקבוצת ה-CIE היו רמות קראטינין בנסיוב גבוהות משמעותית בהשוואה לאלו בקבוצת ה-non-CIE (חציון: 85.2 לעומת 65.3 µmol/L, p = 0.004), בעוד שה-eGFR שלהם היה נמוך משמעותית (חציון: 81 לעומת 102.7 mL/min/1.73 m², p < 0.001). בנוגע למאפייני הפרוצדורה, פרוצדורות אמבוליזציה היו שכיחות משמעותית יותר בקבוצת ה-CIE מאשר בקבוצת ה-non-CIE (41.7% לעומת 2.0%, p < 0.001). בנוסף, נגעים במחזור הדם האחורי היו שכיחים משמעותית יותר בקרב חולים שפיתחו CIE (58.3% לעומת 6.0%, p < 0.001). לא נצפה הבדל משמעותי בסוג חומר הניגודיות שנעשה בו שימוש בין שתי הקבוצות (p = 0.982). יתרה מכך, חולים בקבוצת ה-CIE קיבלו נפח גבוה משמעותית של חומר ניגודיות במהלך הפרוצדורה (חציון: 200.0 לעומת 165.0 mL, p = 0.005) ומשך הפרוצדורות שלהם היה ארוך יותר (חציון: 78.5 לעומת 50.0 min, p = 0.008). ראוי לציין כי ה-CGR, מדד מורכב שהוצע במחקר זה, היה גבוה משמעותית בקבוצת ה-CIE בהשוואה לקבוצת ה-non-CIE (חציון: 2.35 לעומת 1.63, p < 0.001), מה שמעיד על קשר חזק בין CGR לבין התרחשות של CIE.

איסוף משתנים פרי-אופרטיביים ובניית CGR

משתנים דמוגרפיים, מעבדתיים ופרוצדורליים פרי-אופרטיביים נאספו ונותחו באופן שיטתי כפי שמתואר בפרוטוקול. בין משתנים אלו, CGR, שהוגדר כיחס בין נפח החומר הניגודי הכולל ל-eGFR, נבנה כמדד מורכב המשקף את האיזון בין החשיפה לחומר הניגודי לבין קיבולת הפינוי הכלית. CGR נמצא קשור להתרחשות CIE בקוהורט זה ונכלל כמועמד לניבוי עבור ניתוחי בחירת מאפיינים ופיתוח מודלים. כדי להשוות בין CGR לבין מרכיביו הבודדים, ביצענו ניתוח ROC השוואתי תוך שימוש ב-CGR, נפח חומר ניגודי כולל ו-eGFR. CGR הראה את יכולת ההבחנה הגבוהה ביותר עבור CIE, עם AUC של 0.959 (95% CI: 0.924–0.985), בהשוואה לנפח חומר ניגודי כולל (AUC = 0.745, 95% CI: 0.559–0.886) ו-eGFR שנותח בכיוון סיכון הפוך (AUC = 0.865, 95% CI: 0.764–0.951). ההפרש ב-AUC בין CGR לנפח חומר ניגודי כולל היה 0.214, וההפרש ב-AUC בין CGR ל-eGFR היה 0.093. תוצאות מפורטות מופיעות ב-Supplementary Table 4.

בחירת מאפיינים ותזרים עבודה של למידת מכונה (ML)

כדי לזהות את המנבאים הרלוונטיים ביותר תוך מזעור מולטי-קולינאריות, הוחלה רגרסיית LASSO עם ולידציה צולבת של 10-fold על המשתנים המועמדים. פרופיל המקדמים ועקומות הוולידציה הצולבת של מודל ה-LASSO מוצגים ב-איור 4A וב-איור 4B, בהתאמה. דירוג מקדמי ה-LASSO של המודל הסופי מוצג ב-איור 5. בערך ה-λ האופטימלי, נשמרה תת-קבוצה של משתנים, הכוללת את CGR, סוג הפרוצדורה, מיקום הנגע, רמות טריגליצרידים, קריאטינין בנסיוב, eGFR ומספר קו-וריאטים קליניים. הדירוג הכמותי של המנבאים שנשמרו על בסיס מקדמי ה-LASSO מופיע ב-טבלה נלווית 5.

השוואות של ביצועי המודל

חמש גישות של למידה חישובית (ML)—Naive Bayes, SVM, KNN, LightGBM ו-MLP—פותחו כדי לחזות את הסיכון ל-CIE. ביצועיהן בקבוצות האימון והבדיקה מסוכמים ב-טבלה 2, השוואת הדיוק של חמשת המודלים מוצגת ב-איור 6, ומטריצות הבלבול המתאימות מופיעות ב-איור משלים 1, איור משלים 2, איור משלים 3, איור משלים 4, ו-איור משלים 5. מכיוון שמאגר הנתונים היה לא מאוזן באופן משמעותי, עם 12 מקרי CIE ו-149 מקרי non-CIE, יש לפרש את הדיוק ומדדים מבוססי סף בזהירות ובשילוב עם רגישות (sensitivity), סגוליות (specificity), AUC ומרווחי סמך. בקבוצת האימון, כל המודלים הפגינו יכולת הבחנה טובה, עם ערכי AUC שנעו בין 0.961–0.999. בקבוצת הבדיקה הפנימית, מודל ה-Naive Bayes הראה את הערך המספרי הגבוה ביותר (AUC = 0.952, 95% CI: 0.843–1.000), ואחריו LightGBM (AUC = 0.944, 95% CI: 0.822–1.000) ו-SVM (AUC = 0.935, 95% CI: 0.796–1.000).

בסף הסיווג האופטימלי שנקבע על ידי מדד Youden, מודל Naive Bayes הניב רגישות של 100% וסגוליות של 90.3%. מכיוון שלא בוצעו השוואות סטטיסטיות זוגיות פורמליות בין ערכי ה-AUC של המודלים, יש לפרש את ההבדלים שנצפו בין המודלים כתיאוריים ושלב גשש. בנוסף, מכיוון שסט המידע היה לא מאוזן באופן ניכר וקוהורט הבדיקה הפנימי היה קטן עם מספר מוגבל מאוד של אירועי CIE, מדדים מבוססי סף כגון רגישות וסגוליות עשויים להיות לא יציבים ויש לפרש אותם בזהירות. עקומות המאפיין של תפקודי המקלט (ROC) של מודל Naive Bayes במערכי האימון והבדיקה מוצגות ב-איור 7.

למרות שמודל ה-MLP הניב ביצועים טובים בסט האימון (AUC = 0.961), ביצועיו ירדו באופן משמעותי בסט הבדיקה (AUC = 0.742), מה שמרמז על התאמת יתר (overfitting) פוטנציאלית. באופן דומה, מודל ה-KNN הפגין יכולת הבחנה מוגבלת בסט הבדיקה (AUC = 0.718) עם רווח סמך רחב, דבר המעיד על חוסר יציבות. האסטרטגיה המבוססת על מדד Youden שימשה לקביעת סף הסיווג האופטימלי עבור מדדים התלויים בסף, כולל רגישות, ספציפיות ודיוק. ערכי ה-ROC-AUC עצמם אינם תלויי סף. לכן, מדדי הביצועים התלויים בסף שדווחו משקפים את התנהגות המודל בנקודת העבודה האופטימלית. ספי Youden האופטימליים והמדדים התלויים בסף התואמים לה מופיעים ב-Supplementary Table 6. באופן כללי, מודל ה-Naive Bayes הראה ביצועים תיאוריים יציבים יחסית בין סט האימון לבין סט הבדיקה הפנימי, עם ירידה מספרית מינימלית ב-AUC.

ניתוח עקומת החלטה (Decision curve analysis)

ניתוח עקומות החלטה (DCA) בוצע כדי להעריך את התועלת הקלינית של המודלים על פני טווח של הסתברויות סף. עקומות ה-DCA מוצגות באיור 8. כל המודלים הראו תועלת נטו חיובית על פני טווחים ספציפיים של הסתברויות סף בהשוואה לאסטרטגיות של "טפל בכולם" ו"אל תטפל באף אחד". מבין המודלים שנבחנו, ה-SVM הראה את הטווח הרחב ביותר של תועלת נטו חיובית, בעוד ששאר המודלים הראו תועלת קלינית פוטנציאלית בתוך טווחי סף ספציפיים.

זמינות נתונים:

הנתונים הגולמיים שעברו דה-אידנטיפיקציה (הסרת זיהוי) אשר שימשו לתמיכה בניתוחים המרכזיים הועלו ל-GitHub וזמינים בכתובת: https://doi.org/10.5281/zenodo.20043331. כל המזהים הישירים של המטופלים הוסרו לפני שיתוף הנתונים. מכיוון שזהו מחקר קליני רטרוספקטיבי המבוסס על רשומות רפואיות של בתי חולים, הגישה לכל מידע נוסף ברמת המטופל נותרת מוגבלת על פי דרישות אתיקה ופרטיות מוסדיות. נתונים נוספים שעברו דה-אידנטיפיקציה עשויים להיות זמינים מהמחבר המקשר על פי בקשה סבירה ובאישור ועדת האתיקה המוסדית. סקריפטים של ניתוח סטטיסטי, קוד לאימון מודל ML וקוד ליצירת איורים סופקו כקבצים נלווים כדי לתמוך בשחזור המחקר.

figure-results-1
איור 1: תהליך העבודה של מידול סיכוני CIE בהתבסס על נתונים פרי-אופרטיביים. (A) מנגנוני CIE וגזירת היחס בין נפח החומר הניגודי ל-eGFR (CGR). (B) אינטגרציית נתונים ובחירת מאפיינים מבוססת LASSO. (C) פיתוח והשוואת מודלי ML, כאשר Naive Bayes הראה את ה-AUC המספרי הגבוה ביותר במערך הבדיקה הפנימי (AUC ≈ 0.95). קיצורים: CIE = contrast-induced encephalopathy; CGR = contrast volume-to-eGFR ratio; eGFR = estimated glomerular filtration rate; AUC = area under the curve. האיור נגזר מהנתונים הקליניים של המחברים, והאיור הסכמטי נוצר במקור על ידי המחברים באמצעות אייקונים שונה של Microsoft PowerPoint. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-2
איור 2: בחירת מטופלים והקצאה לקבוצות. תרשים זרימה הממחיש את סינוק המטופלים, הערכת כשירות, קריטריוני החרגה והקצאה לקבוצות. בסך הכל נבחנו בתחילה 225 מטופלים. לאחר יישום קריטריוני ההכללה, שכללו גיל בין 30 ל-80 שנים, זמינות של נתונים קליניים מלאים וביצוע CT ראש לאחר ניתוח בתוך 3 ימים, נמצאו 190 מטופלים כשירים. מטופלים הוחרגו על בסיס אוטם מוחי חריף, מחלת כליות כרונית בשלב ≥ G4 (eGFR < 30 mL/min/1.73 m²), מחלה קרדיווסקולרית חמורה, היעדר טיפול אנדווסקולרי, גרעון נוירולוגי חמור (ציון modified Rankin Scale ≥ 4), או נתונים חסרים. לבסוף, נכללו 161 מטופלים שחולקו אקראית לקבוצת האימון (n = 128) ולקבוצת הבדיקה הפנימית (n = 33) ביחס של 8:2. קיצורים: CT = computed tomography; eGFR = estimated glomerular filtration rate; CKD = chronic kidney disease; mRS = modified Rankin Scale. אנא לחץ כאן כדי להציג גרסה מוגדלת של איור זה.

figure-results-3
איור 3: סדרת תמונות CT ללא חומר ניגוד בחולה עם CIE. (A) CT בסיסי לפני הפרוצדורה. (B) CT עם הופעת הסימפטומים המראה צפיפות גבוהה (hyper density) קורטיקלית באונה הפריאטלית הימנית (חץ). (C) CT ביום הראשון לאחר הניתוח המראה רזולוציה חלקית. (D) CT ביום השני לאחר הניתוח המראה רזולוציה נוספת. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-4
איור 4: בחירת מאפיינים מבוססת LASSO. (A) עקומת תיקוף צולב בעשרה שלבים (Ten-fold cross-validation) ששימשה לקביעת ה-λ האופטימלי בהתבסס על ה-MSE המינימלי. (B>) פרופילי מקדמים של משתנים מועמדים המעובדים כנגד log(λ), המראים את השינויים במקדמי המשתנים עם הגברת עוצמת הרגולריזציה. קיצורים: LASSO = least absolute shrinkage and selection operator; λ = פרמטר רגולריזציה; MSE = mean squared error. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-5
איור 5: מקדמים של משתנים נבחרים.תרשים עמודות המציג מקדמים של משתנים שנשמרו לאחר בחירה בשיטת LASSO. מקדמים חיוביים מעידים על קשר חיובי; מקדמים שליליים מעידים על קשר הפוך. אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

figure-results-6
איור 6: דיוק האימון והבדיקה של חמשת מודלי ה-ML. דיוק של חמישה מודלי ML‏ (Naive Bayes, SVM, KNN, LightGBM, MLP) במערכי אימון ובדיקה. קיצורים: SVM = support vector machine; KNN = k-nearest neighbor; LightGBM = light gradient boosting machine; MLP = multilayer perceptron. אנא לחצו כאן להצגת גרסה גדולה יותר של איור זה.

figure-results-7
איור 7: עקומות ROC של מודל Naive Bayes. עקומות מאפייני מקלט (Receiver operating characteristic) עבור קבוצות האימון והבדיקה הפנימית עם ערכי השטח תחת העקומה המתאימים. קיצורים: ROC = receiver operating characteristic; AUC = area under the curve. נא לחץ כאן להצגת גרסה גדולה יותר של איור זה.

figure-results-8
איור 8: ניתוח עקומת החלטה. DCA המראה תועלת נטו של מודלים שונים על פני הסתברויות סף בהשוואה לאסטרטגיות של טיפול-בכול (treat-all) ואי-טיפול-בכלל (treat-none). אזורים מוצלים מציינים טווחי הסתברות סף שבהם המודל השיג תועלת נטו חיובית בהשוואה הן לאסטרטגיית טיפול-בכול והן לאסטרטגיית אי-טיפול-בכלל. קיצורים: DCA = ניתוח עקומת החלטה. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

איור משלים 1: מטריצת בלבול של מודל Naive Bayes בקוהורט הבדיקה הפנימי. המטריצה מציגה את מספר הדגימות שסווגו נכון ולא נכון בסף הסיווג שנבחר.נא ללחוץ כאן להורדת קובץ זה.

איור משלים 2: מטריצת בלבול (Confusion matrix) של מודל ה-SVM בקבוצת הבדיקה הפנימית. המטריצה מציגה את מספר הדגימות שסווגו נכונה ושגויה בסף הסיווג שנבחר.אנא לחצו כאן להורדת קובץ זה.

איור משלים 3: מטריצת בלבול של מודל ה-KNN בקוהורט הבדיקה הפנימי. המטריצה מציגה את מספר הדגימות שסווגו נכון ולא נכון בסף הסיווג שנבחר.אנא לחצו כאן להורדת קובץ זה.

איור משלים 4: מטריצת בלבול של מודל ה-LightGBM בקוהורט הבדיקה הפנימי. המטריצה מציגה את מספר הדגימות שסווגו נכון ולא נכון בסף הסיווג שנבחר.אנא לחצו כאן כדי להוריד קובץ זה.

איור משלים 5: מטריצת בלבול של מודל ה-MLP בקוהורט הבדיקה הפנימי. המטריצה מציגה את מספר הדגימות שסווגו נכון ולא נכון בסף הסיווג שנבחר.אנא לחץ כאן להורדת קובץ זה.

מאפיין	CIE ( n = 12 )	Non-CIE ( n = 149 )	p value
דמוגרפיה
גיל (שנים), חציון (IQR)	67 (62.5–69.0 )	63 ( 55.0–70.0 )	0.194
גברים, n (%)	9 (75.0)	105 (70.5)	1.000
משקל (kg), חציון (IQR)	65 (55.0–70.0)	70 (60.0–77.5)	0.160
מחלות נלוות, n (%)
יתר לחץ דם	7 (58.3)	102 (68.5)	0.526
סוכרת	4 (33.0)	57 (38.3)	1.000
מחלה כלילית	2 (16.7)	23 (15.4)	1.000
הרגלים, n (%)
צריכת אלכוהול	7 (58.3)	78 (52.3)	0.770
סטטוס עישון	7 (58.3)	59 (39.6)	0.233
ערכי מעבדה, חציון (IQR)
קריאטינין בנסיוב (μmol/L)	85.2 (65.0–89.0)	65.3 (54.9–75.7)	0.004
eGFR (mL/min/1.73m²)	81.0 (60.6–90.3)	102.7 (89.0–116.3)	<0.001
כולסטרול כולל (mmol/L)	3.3 (3.0–4.4)	3.4 (2.9–4.1)	0.775
טריגליצרידים (mmol/L)	1.8 (1.2–2.1)	1.2 (0.8–1.6)	0.017
מאפייני פרוצדורה
סוג הפרוצדורה, n ( % )			<0.001
- התרחבות עם סטנט	7 (58.3)	146(98.0)
- אמבוליזציה	5 (41.7)	3 (2.0)
מיקום הנגע, n (%)			<0.001
- מחזור דם אחורי	7 (58.3)	9 (6.0)
- מחזור דם קדמי	5 (41.7)	140 (94.0)
סוג חומר ניגודיות, n (%)			0.982
- דור שני	6 (50.0)	75 (50.3)
- דור שלישי	6(50.0)	74 (49.7)
נפח חומר ניגודיות כולל (mL), חציון (IQR)	200 (188.0–200.0)	165 (155.0–180.0)	0.005
משך הפרוצדורה (min), חציון (IQR)	78.5 (52.5–124.5)	50 (47.0–57.0)	0.008
מדד חדש
CGR, חציון (IQR)	2.35 (2.17–2.70)	1.63 (1.40–1.85)	<0.001

טבלה 1: מאפיינים קליניים בסיסיים של המטופלים. מאפיינים דמוגרפיים, קליניים, מעבדתיים ומאפיינים הקשורים לפרוצדורה הושוו בין קבוצת ה-CIE לקבוצת ה-non-CIE. משתנים רציפים מוצגים כממוצע ± סטיית תקן או חציון (טווח בין-רבעוני), ומשתנים קטגוריאליים מוצגים כמספר ואחוז. השוואות סטטיסטיות בין הקבוצות בוצעו באמצעות מבחנים פרמטריים או לא-פרמטריים מתאימים. קיצורים: CIE = contrast-induced encephalopathy; eGFR = estimated glomerular filtration rate; CGR = contrast volume-to-eGFR ratio; IQR = טווח בין-רבעוני; SD = סטיית תקן.

שם המודל	דיוק (Accuracy)	AUC	95% CI	רגישות (Sensitivity)	סגוליות (Specificity)	סט נתונים
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	אימון (train)
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	בדיקה (test)
SVM	0.992	0.999	0.997–1.000	1.0	0.992	אימון (train)
SVM	0.879	0.935	0.796–1.000	1.0	0.871	בדיקה (test)
KNN	0.891	0.969	0.941–0.997	1.0	0.881	אימון (train)
KNN	0.939	0.718	0.194–1.000	0.5	0.968	בדיקה (test)
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	אימון (train)
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	בדיקה (test)
MLP	0.914	0.961	0.908–1.000	0.9	0.915	אימון (train)
MLP	0.970	0.742	0.228–1.000	0.5	1.000	בדיקה (test)

טבלה 2: השוואה של ביצועי המודלים. ביצועי הניבוי של מודלי ML שונים הוערכו באמצעות דיוק (accuracy), שטח תחת העקומה (AUC), רווח בר סמך (CI) של 95%, רגישות (sensitivity) וסגוליות (specificity) במערכי הנתונים של האימון והבדיקה הפנימית. קיצורים: CI = רווח בר סמך.

טבלה נלווית 1: סיכום הערכת נתונים חסרים לפני פיתוח המודל. סיכום של ערכים חסרים עבור כל משתני הניבוי המועמדים לפני פיתוח המודל. לא נצפו ערכים חסרים בין המשתנים שנכללו; לפיכך, לא בוצע הליך השלמה (imputation).אנא לחצו כאן להורדת קובץ זה.

טבלה נלווית 2: מילון משתנים של מערך הנתונים האנליטי. הגדרות, שיטות קידוד, קטגוריות של משתנים ותיאורים של משתנים קליניים, מעבדתיים ומשתנים הקשורים להליכים שנכללו בניתוח ה-ML.אנא לחץ כאן להורדת הקובץ.

טבלה נלווית 3: מרחב חיפוש היפר-פרמטרים ופרמטרים נבחרים עבור מודלי ML. סיכום של טווחים אפשריים של היפר-פרמטרים ופרמטרים אופטימליים שהתקבלו במהלך כוונון המודלים עבור כל אלגוריתם ML.אנא לחצו כאן להורדת קובץ זה.

טבלה משלימה 4: ניתוח ROC השוואתי של CGR ושל מרכיביו הבודדים. ניתוח מאפייני תגובה של מקלט (Receiver operating characteristic) בוצע כדי להשוות את ביצועי הניבוי של CGR ושל מרכיביו הבודדים לניבוי CIE.אנא לחצו כאן להורדת קובץ זה.

טבלה משלימה 5: דירוג מאפיינים כמותי המבוסס על מקדמי LASSO. משתנים נבחרים דורגו על פי ערכי המקדמים שלהם לאחר רגרסיית LASSO, ובכך מוצגים התרומה היחסית וכיוון הקשר של כל משתנה במודל הניבוי.נא לחץ כאן להורדת קובץ זה.

טבלה נלווית 6: ספי Youden שנקבעו בקוהורט האימון ומדדי ביצועי הסיווג התואמים. הסף האופטימלי עבור כל מודל נקבע באופן בלעדי בקוהורט האימון באמצעות מדד Youden, ולאחר מכן נקבע באופן קבוע והוחל על קוהורט הבדיקה הפנימי. הדיוק (Accuracy), הרגישות (sensitivity) והסגוליות (specificity) בקוהורט הבדיקה הפנימי חושבו באמצעות ספי קבועים אלו.אנא לחץ כאן להורדת קובץ זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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-גורמיים, ומערבים אינטראקציות בין גורמים ספציפיים למטופל, תכונות של חומר הניגוד ומאפייני ההליך⁹^,¹⁰^,²¹^,²²^,²³^,²⁴. מורכבות זו הופכת את השגת הערכת סיכון פרי-אופרטיבית מדויקת למאתגרת ביותר כאשר היא מבוססת אך ורק על משתנים קליניים בודדים או על שיפוט אמפירי.

במחקר זה, נבנו והוערכו חמישה מודלים של ML כדי לנבא את הסיכון ל-CIE בחולים העוברים התערבות צרברו-וסקולרית. לאחר השוואת ביצועים תיאורית, זוהה מודל Naive Bayes כמודל בעל הביצועים התיאוריים המאוזנים ביותר במחקר זה. מבחינת יכולת ההבחנה של המודל, מודל Naive Bayes הראה את ה-AUC המספרי הגבוה ביותר בקוהורט הבדיקה הפנימי (AUC = 0.952; 95% CI: 0.843–1.000), בהשוואה ל-LightGBM (AUC = 0.944; 95% CI: 0.822–1.000), SVM (SVM; AUC = 0.935; 95% CI: 0.796–1.000), MLP (MLP; AUC = 0.742; 95% CI: 0.228–1.000), ואלגוריתם KNN (KNN; AUC = 0.718, 95% CI: 0.195–1.000). כיוון שלא בוצעה השוואה סטטיסטית זוגית פורמלית בין ערכי ה-AUC של המודלים, יש לפרש הבדלים אלו כתיאוריים ולא כראיה חלוטה לעליונות של מודל מסוים. ראוי לציין כי KNN ו-MLP הציגו ביצועים טובים בסט האימון (AUC = 0.969 ו-0.961, בהתאמה), אך ביצועיהם ירדו משמעותית בסט הבדיקה, מה שמרמז על אפשרות ל-overfitting²⁵. לעומת זאת, מודל Naive Bayes שמר על ערכי AUC תיאוריים דומים בין קוהורט האימון לקוהורט הבדיקה הפנימי (הפרש AUC = 0.009), מה שמעיד על ביצועים תיאוריים יציבים יחסית במערך נתונים זה. עם זאת, יש לפרש יציבות זו בזהירות, שכן קוהורט הבדיקה הפנימי כלל רק 33 חולים ומספר מוגבל מאוד של אירועי CIE.

מנקודת מבט מעשית, המבנה ההסתברותי הפשוט יחסית של Naive Bayes עשוי להתאים למערכי נתונים קליניים עם מדגמים קטנים, במיוחד כאשר מספר אירועי התוצאה מוגבל. במחקר זה, מודל ה-Naive Bayes הראה ביצועים תיאוריים מאוזנים יחסית בין קהל האימון לבין קהל הבדיקה הפנימי. עם זאת, כיוון שקהל הבדיקה הפנימי היה קטן והכיל מעט מאוד אירועי CIE, יש לפרש יציבות לכאורה זו בזהירות והיא דורשת תיקוף חיצוני. הביצועים התיאוריים המעדיפים יחסית של מודל ה-Naive Bayes במערך נתונים זה עשויים להיות קשורים למבנה ההסתברותי הפשוט שלו ולהתאמתו למסגרות של מדגמים קטנים תחת הנחת אי-תלות של המאפיינים¹⁴^,¹⁵. לעומת זאת, מודלים מורכבים יותר כגון MLP ו-LightGBM נוטים יותר להתאמת יתר (overfitting) בתנאים של מדגם מוגבל, ובכך מפחיתים את יכולות ההכללה שלהם. ממצאים אלו מצביעים גם על כך שבחושבי מחקר בעלי אוריינטציה קלינית וסיכון גבוה, כמו בתחום הנוירו-אינטרוונציוני, בחירת המודל צריכה לשים דגש רב יותר על יציבות, הדירות והיתכנות קלינית, במקום לרדוף באופן עיוור אחר העליונות המוחלטת של אלגוריתמים מורכבים או מדדי ביצוע בודדים. DCA העלה כי מודל ה-Naive Bayes עשוי לספק תועלת נטו בטווח הסתברויות סף נבחרות, אך ממצא זה נותר גשש ודורש תיקוף חיצוני. יתרה מכך, מבנהו הפשוט, החישוב היעיל והיכולת לפרשנות עשויים לתמוך בהערכה עתידית שלו כמודל גשש לסיווג סיכונים פרי-אופרטיביים, אך נדרש תיקוף חיצוני לפני יישום קליני. מנקודת מבט קלינית, השכיחות של CIE במחקר זה הייתה 7.5%, גבוהה מה-2%–5% המתועדים בדרך כלל בדיווחים קודמים⁷. פער זה מיוחס במידה רבה לאופיו הסלקטיבי מאוד של אוכלוסיית המחקר: הקהל התמקד בחולים עם מחלה צרברו-וסקולרית שעברו הליכים נוירו-אינטרוונציוניים מורכבים כגון אמבוליזציה של מפרצת. הניגודיות הייחודית בין דפוסי מתן החומר, הקשורים להליכים אלו, כגון אנגיוגרפיה סופר-סלקטיבית ושימור מקומי במינון גבוה — כמו גם משכי הליכים ארוכים יותר, כולם מהווים גורמי סיכון מוכרים ל-CIE⁹^,¹⁰^,²⁶. יתרה מכך, הסיכון הבסיסי הגבוה יותר של החולים מעלה עוד יותר את שיעור השכיחות הכולל. ממצאי המחקר מדגישים כי נגעים במחזור הדם האחורי והליכי אמבוליזציה הם מנבאים חזקים ל-CIE. מבחינה אנטומית, המחזור האחורי (המערכת ורטברו-בזילרית) מספק דם לגזע המוח, לדגילי המוח ולתת-המוח העורפי. תת-המוח העורפי מראה רגישות גבוהה ביותר לרעילות של חומרי ניגוד, מה שמסביר מדוע חולי CIE מציגים לעיתים קרובות עיוורון קורטיקלי. בנוסף, המאפיינים ההמודינמיים של המערכת ורטברו-בזילרית שונים מאלו של המחזור הקדמי, מה שעשוי להסביר חלקית את הקשר שנצפה בין נגעים במחזור האחורי לבין CIE בקהל זה.

הליכי אמבוליזציה הם בדרך כלל מאתגרים יותר מאנגיופלסטיה פשוטה, ודורשים ביצוע תכופים של אנגיוגרפיה סופר-סלקטיבית כדי לאשר את מיקום הסלילים ואת מידת החסימה של התסחיף, מה שמוביל לחשיפה גבוהה משמעותית של שיא חומר הניגוד למיטת כלי הדם המקומית ליחידת זמן בהשוואה להליכים שגרתיים. חשיפה אינטנסיבית וממוקדת זו לחומר ניגוד עשויה להוות גורם סביר ביולוגית להפרעה במחסום הדם-מוח (BBB), אם כי מנגנון זה לא ניתן לאימות ישיר במחקר רטרוספקטיבי זה. בהתאם לניתוח מאפייני הבסיס, חולים בקבוצת ה-CIE הראו שיעורים גבוהים משמעותית של טיפול באמבוליזציה ופרופורציה גדולה יותר של נגעים בסירקולציה האחורית בהשוואה לאלו שבקבוצת ה-non-CIE, מה שמרמז כי מורכבות ניתוחית ומיקום אנטומי של הנגע עשויים להיות קשורים להתרחשות של CIE. יתרה מכך, משך ההליך הארוך יותר והשימוש הגבוה יותר בסך חומר הניגוד בקבוצת ה-CIE מדגישים עוד יותר את ההשפעה המצטברת של גורמי עקה הקשורים לניתוח על הסיכון להתפתחות CIE.

כדי לשפר את הפרשנות הקלינית של המודל, מחקר זה העריך את ה-CGR כמדד מורכב ניסיוני. הסיכון להתרחשות CIE תלוי לא רק במינון המוחלט של חומר הניגוד החודר לכלי הדם המוחיים, אלא קשור באופן הדוק גם לקצב שבו חומר הניגוד מפונה מהסירקולציה הסיסטמית. ה-CGR מאחד את נפח חומר הניגוד הכולל ואת ה-eGFR למדד מורכב יחיד המשקף את נטל חומר הניגוד ביחס ליכולת הפינוי הכלית. גישה תכנונית זו נשענת על הפרדיגמה המבוססת על יחסים המקובלת לחיזוי נפרופתיה מושרית ניגוד (CIN), כגון היחס בין נפח חומר הניגוד ל-eGFR²⁷, ועולה בקנה אחד עם אסטרטגיות נוכחיות לבניית ביומרקרים מקיפים כגון יחס נויטרופילים-לימפוציטים (NLR)²⁸ ומדד טריגליצריד-גלוקוז (TyG)²⁹, שכולם שואפים לחשוף את המצבים הפתופיזיולוגיים הבסיסיים של מחלות. חומרי ניגוד יודים מופרשים בעיקר על ידי הכליות בצורתם המקורית. כאשר הפינוי הכליתי פגום, החשיפה הסיסטמית לחומרי ניגוד יודים עלולה להתארך, מה שעלול להגביר את חשיפת האנדותל לחומרי הניגוד. במהלך הליכים נוירו-אינטרוונציונליים, חומרי ניגוד מוזרקים לעיתים קרובות ישירות לסירקולציה המוחית דרך העורקיים הקרוטידיים הפנימיים או העורקיים הוורטברליים בריכוזים גבוהים; מפל הלחץ האוסמוטי הקיצוני באופן מקומי עלול לפגוע בשלמות ה-BBB³⁰. בנקודה זו, אם הפינוי הסיסטמי פגום, חומר הניגוד שהצטבר בזרם הדם עשוי להמשיך ולשמור על מפל ריכוזים על פני ה-BBB, ובכך להניע את דיפוזיית חומר הניגוד אל המרווח הבין-תאי של המוח. יתרה מכך, CGR עשוי לספק דרך אינטואיטיבית קלינית לשילוב נטל הניגוד והפינוי הכליתי, אך ערכו הניבוי המוסף מעבר לנפח הניגוד או ל-eGFR לבדם דורש תיקוף נוסף. לכן, CGR עשוי לשמש כמדד ניסיוני לסיווג סיכוני CIE פרי-אופרטיביים.

מחקר זה מצא כי לסוג חומר הניגודיות (דור שני עם אוסמולריות נמוכה לעומת דור שלישי עם אוסמולריות איזו-אוסמולרית) לא היה ערך ניבוי עצמאי מובהק עבור CIE (p = 0.982). ממצא זה אינו עולה באופן מלא עם חלק מהדיווחים הקודמים. הסבר אפשרי הוא שגורמים אחרים מלבד האוסמולריות, כגון רעילות כימית או צמיגות, עשויים לתרום לרעילות עצבית של חומרי ניגודיות; עם זאת, פרשנות זו נותרת השערתית ודורשת תיקוף מכניסטי נוסף. פרשנות זו נתמכת על ידי מחקרים קליניים ומכניסטיים קודמים³¹^,³². יתרה מכך, בפרקטיקה הקלינית, מפעילים עשויים לבחור באופן מועדף בחומרי ניגודיות איזו-אוסמולריים מהדור השלישי עבור מטופלים בסיכון גבוה, דבר המכניס הטיות פוטנציאליות הקשורות לאינדיקציה (confounding bias) שעלולות להסוות הבדלים בסיסיים בין סוגים שונים של חומרי ניגודיות.

יש להדגיש מספר שלבי פרוטוקול קריטיים ליישום מוצלח של תהליך עבודה זה. ראשית, קביעה קפדנית של התוצאות היא חיונית, מכיוון שסיווג שגוי של CIE ישפיע ישירות על אימון המודל והערכתו. יש להעריך מקרים חשודים של CIE באמצעות הקשר הזמני בין החשיפה לחומר ניגוד לבין הופעת הסימפטומים, ביטויים נוירולוגיים, ממצאי דימות לאחר הניתוח, ושלילת אבחנות חלופיות. שנית, מיצוי ואימות מדויקים של נפח חומר הניגוד הכולל ושל ה-eGFR הם חשובים, שכן שני משתנים אלו קובעים את חישוב ה-CGR. שלישית, יש לחשב את ה-CGR לפי אותו כלל עבור כל המטופלים לאחר אישור נפח חומר הניגוד הכולל וה-eGFR. רביעי, יש לבצע את בחירת המאפיינים, הערכת פרמטרי ההשלמה (imputation), כיוונון היפר-פרמטרים ואימון המודל בתוך קהלת האימון בלבד כדי למנוע דליפת נתונים. לבסוף, מכיוון ש-CIE אינו נפוץ ומספר האירועים מוגבל, יש לפרש את ביצועי המודל בזהירות ולתקף אותם חיצונית לפני יישום קליני³³.

יש לשקול גם מספר שינויים בשיטה ואסטרטגיות לפתרון בעיות בעת יישום זרימת עבודה זו בהקשרים אחרים. אם שיעור הנתונים החסרים גבוה, על החוקרים לקבוע תחילה האם החסר הוא אקראי, ויש להימנע מהשלמה (imputation) של משתנים עם שיעור חסר מופרז. אם מספר אירועי ה-CIE קטן מאוד, יש להפחית את מורכבות המודל, וייתכן שיהיה עדיף להשתמש במודלים פשוטים יותר או במודלים עם עונש (penalized models) כדי לצמצם התאמת יתר (overfitting). אם זרימת העבודה מיושמת במרכז אחר, יש להבטיח הרמוניזציה של הגדרות המשתנים, כללי הקידוד, שיטות חישוב ה-eGFR, נהלי רישום נפח חומר הניגוד וקריטריונים לבביקת הדימות לפני אימון המודל. אם ביצועי המודל יורדים במהלך תיקוף פנימי או חיצוני, יש לבחון סיבות פוטנציאליות כגון חוסר איזון בין המחלקות (class imbalance), דליפת נתונים (data leakage), עיבוד מקדים לא עקבי, בחירת מאפיינים לא יציבה והבדלים בתמהיל המקרים של המטופלים. עבור מקרים עם אבחנה לא ודאית של CIE, מומלץ לבצע בירור (adjudication) על ידי מספר קלינאים מנוסים והדרה קפדנית של אבחנות חלופיות לפני פיתוח המודל.

למחקר זה יש את המגבלות הבאות: ראשית, מחקר זה מאמץ עיצוב רטרוספקטיבי של מרכז יחיד עם מספר מוגבל של אירועי CIE. רק 12 אירועי CIE התרחשו בקרב 161 החולים שנכללו, וקוהורט הבדיקה הפנימי כלל רק 33 חולים עם מספר מוגבל מאוד של מקרי CIE. לכן, מדדי ביצועים כגון AUC, רגישות וסגוליות עשויים להיות לא יציבים ורגישים מאוד לסיווג של מקרה אחד או שניים בלבד. בעתיד, יידרש תיקוף חיצוני באמצעות מחקרי פרוספקטיביים רב-מרכזיים עם מדגם גדול כדי לאשר עוד יותר את מהימנות המודל. שנית, המודל שפותח במחקר זה מבוסס בעיקר על משתנים קליניים שגרתיים שנאספו לפני ובמהלך הניתוח. בעתיד, נוכל לשלב עוד יותר פרמטרים קינטיים של חומרי ניגוד תוך-ניתוחיים, מאפייני דימות מוקדמים לאחר הניתוח וביומרקרים סרומיים ספציפיים כדי לבנות מערכת דינמית ומקיפה יותר לניבוי סיכון ל-CIE. שלישית, השכיחות הנמוכה של CIE (7.5%) הובילה לחוסר איזון ניכר במחלקות, עם 12 מקרי CIE בלבד ו-149 מקרי non-CIE. חוסר איזון זה עלול להפחית את מהימנות מדדי ביצועי המודל. הדיוק (Accuracy) עלול להערכת-יתר את ביצועי המודל כאשר מחלקת ה-non-CIE דומיננטית במערך הנתונים, בעוד שרגישות, סגוליות, ערך ניבוי חיובי וערך ניבוי שלילי עשויים להיות לא יציבים כיוון שהם מושפעים ממספר קטן מאוד של אירועי CIE. לכן, יש לראות את המודל המוצע כעת כמסגרת חקרית לסיווג סיכונים ולא ככלי סופי לקבלת החלטות קליניות. לא בוצעו במחקר הנוכחי בדיקות חוזרות של תיקוף צולב (cross-validation) או תיקוף מבוסס דגימה חוזרת (resampling) כיוון שמספר אירועי ה-CIE היה מוגבל מאוד, ואנליזות כאלה עדיין עלולות להניב אומדנים לא יציבים תחת חוסר איזון ניכר במחלקות. תיקוף חיצוני רב-מרכזי והערכה פרוספקטיבית נדרשים לפני יישום קליני.

לסיכום, מחקר זה השווה באופן שיטתי מספר מודלים של ML ומצא כי מודל Naive Bayes הראה את ביצועי התיאור המאוזנים ביותר לניבוי CIE במערך הנתונים הנוכחי. מודל זה עשוי לספק תמיכה ראשונית לסיווג סיכונים פרי-אופרטיביים, אך תועלתו הקלינית דורשת תיקוף נוסף. יתרה מכך, מחקר זה העריך את ה-CGR כמדד מורכב חקירתי, המכמת את חוסר האיזון בין "עומס חומר הניגוד לפינוי הכליתי". CGR התגלה כאחד המנבאים המשפיעים ביותר במודל ועשוי לספק מידע שימושי להערכת סיכונים פרי-אופרטיביים מותאמת אישית. ממצאים אלו עשויים לסייע ביצירת היפותזות לזיהוי מטופלים בסיכון גבוה העוברים הליכים נוירו-אינטרוונציונליים, אך נדרשים מחקרים נוספים עם מדגמים גדולים יותר ותיקוף חיצוני. מחקרים עתידיים עם מדגמים גדולים יותר ותיקוף חיצוני נחוצים כדי לקבוע האם מודלים ניבויים מולטי-מודאליים יכולים לשפר את סיווג הסיכון ל-CIE ולתמוך במניעה ובניהול מדויקים יותר של סיבוך זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים כי אין להם ניגודי אינטרסים. פלטפורמת OnekeyAI שימשה במחקר זה ככלי מחקר בלבד לצורך ניתוח נתונים מובנה ופיתוח מודלים.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Naive Bayes K LightGBM

ניבוי באמצעות למידת מכונה של אנצפלופתיה מושרית ניגוד לאחר הליכים נוירו-אינטרוונציונליים

במאמר זה

סיכום

תקציר

מבוא

פרוטוקול

תוצאות

דיון

גילויים

תודות

חומרים

מקורות

הדפסות חוזרות והרשאות

תגיות

מאמרים קשורים