È stato valutato un framework esplorativo di apprendimento automatico (ML) basato su dati perioperatori per prevedere l'encefalopatia indotta dal mezzo di contrasto (CIE) dopo procedure neurointerventistiche. Il modello Naive Bayes ha mostrato la performance descrittiva più bilanciata, e il rapporto tra quantità di mezzo di contrasto e filtrazione glomerulare stimata (CGR) è stato identificato come un importante predittore candidato per la valutazione del rischio individualizzata.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
Predizione tramite machine learning dell'encefalopatia indotta da mezzo di contrasto dopo procedure neurointerventistiche
* These authors contributed equally
In questo articolo
Sommario
Abstract
L'ICE è una complicanza rara ma grave che può seguire procedure neurointerventistiche, per la quale strumenti predittivi non invasivi e affidabili sono ancora carenti. Questo studio si è proposto di sviluppare e validare un modello di apprendimento automatico (ML) per la previsione dell'ICE utilizzando dati clinici e procedurali perioperatori, e di valutare il valore predittivo del rapporto neutrofili/linfociti (CGR) per l'ICE. Si è trattato di uno studio retrospettivo monocentrico che ha arruolato consecutivamente 161 pazienti sottoposti a procedure neurointerventistiche presso il Dipartimento di Neurochirurgia del Northern Theater General Hospital tra gennaio 2024 e dicembre 2025. I potenziali predittori perioperatori dell'ICE sono stati identificati mediante analisi univariata combinata con regressione LASSO. Sulla base delle variabili selezionate, sono stati addestrati e ottimizzati cinque modelli di ML: Naive Bayes, macchina a vettori di supporto (SVM), k-nearest neighbors (KNN), LightGBM e perceptrone multistrato (MLP). Le prestazioni dei modelli sono state valutate in modo esaustivo mediante l'area sotto la curva ROC (AUC) e l'analisi della curva decisionale (DCA). Tra i modelli valutati, il modello Naive Bayes ha mostrato le prestazioni descrittive più favorevoli nel set di test interno, con un AUC di 0,952 (IC 95%: 0,843–1,000), una sensibilità del 100% e una specificità del 90,3%; tuttavia, questi risultati vanno interpretati con cautela poiché il dataset presentava un forte squilibrio e il campione di test interno era di piccole dimensioni e comprendeva un numero molto limitato di eventi di ICE. I risultati della DCA hanno suggerito un possibile beneficio clinico netto in un intervallo di probabilità soglia selezionato. L'analisi dell'importanza delle variabili ha indicato che il CGR era tra i predittori con punteggio più alto associati al rischio di ICE in questo dataset. Il modello Naive Bayes valutato in questo studio potrebbe fornire un quadro preliminare per la stratificazione del rischio nella valutazione perioperatoria dell'ICE dopo procedure neurointerventistiche. Il CGR si è rivelato una caratteristica predittiva importante e potrebbe contribuire alla stratificazione del rischio personalizzata. È necessaria una ulteriore validazione esterna prima di un'applicazione clinica.
Introduzione
Negli ultimi due decenni, le tecniche interventistiche mini-invasive hanno trasformato in modo fondamentale il paradigma terapeutico delle malattie cerebrovascolari1. I procedimenti neurointerventistici—grazie ai loro vantaggi di elevata efficacia e minima invasività—sono diventati opzioni terapeutiche importanti per determinati disturbi cerebrovascolari2. Tuttavia, con l'aumento della complessità dei procedimenti interventistici, crescono anche le dosi di agenti di contrasto utilizzati durante le procedure, le pressioni di iniezione e la durata dell'esposizione all'agente di contrasto. Di conseguenza, le complicanze correlate agli agenti di contrasto sono progressivamente oggetto di crescente attenzione3,4,5,6,7. L'encefalopatia indotta dal mezzo di contrasto (CIE), una disfunzione neurologica acuta e transitoria provocata da mezzi di contrasto iodati (ICM), è sempre più riconosciuta come complicanza clinicamente rilevante, in particolare nelle procedure neurointerventistiche complesse. Le manifestazioni cliniche tipiche della CIE compaiono di solito entro pochi minuti fino a 24 ore dall'esposizione all'agente di contrasto e includono alterazioni della coscienza (come sonnolenza, delirio o coma), cecità corticale, deficit neurologici focali (come emiparesi o afasia) e crisi epilettiche4,5,6. Sebbene la maggior parte dei casi di CIE sia autolimitante e i sintomi si risolvano tipicamente entro 48-72 ore, alcuni pazienti possono presentare un deficit neurologico persistente. Nei casi gravi, la condizione può persino portare al decesso a causa di un edema cerebrale massivo4,7. Questa imprevedibilità degli esiti sottolinea l'urgente necessità di sviluppare uno strumento affidabile per la predizione precoce del rischio nel periodo perioperatorio.
Poiché il volume dei dati clinici continua ad aumentare, i metodi statistici tradizionali risultano sempre più inadeguati quando si tratta con dati medici ad alta dimensionalità che presentano multicollinearità. Inoltre, le analisi univariate o i semplici modelli di regressione logistica spesso non riescono a cogliere le interazioni complesse e non lineari tra le variabili. L'apprendimento automatico (ML) offre una nuova prospettiva per affrontare queste sfide8. Gli algoritmi di ML—come le SVM, le macchine ad incremento del gradiente (LightGBM) e gli MLP—possono identificare automaticamente schemi latenti negli spazi di caratteristiche ad alta dimensionalità e costruire modelli non lineari dotati di elevate capacità predittive8,9,10,11. Tuttavia, nel perseguimento dell'accuratezza predittiva, la natura "a scatola nera" di questi algoritmi, caratterizzata dalla loro scarsa interpretabilità, solleva spesso preoccupazioni riguardo alla fiducia nelle decisioni mediche12,13. Al contrario, l'algoritmo Naive Bayes, grazie alla sua semplice logica probabilistica e alla sua interpretabilità intrinseca, mostra vantaggi unici negli studi clinici con campioni ridotti14,15. Valutando il contributo della probabilità a posteriori di ciascuna variabile predittiva all'evento risultante, il modello Naive Bayes non solo garantisce prestazioni predittive, ma fornisce anche ai clinici informazioni intuitive per il supporto decisionale. Inoltre, per valutare quantitativamente lo squilibrio tra carico di mezzo di contrasto e capacità individuale di eliminazione, questo studio introduce in modo innovativo il rapporto tra mezzo di contrasto e eGFR (CGR) come caratteristica fondamentale. Nei pazienti con riserva funzionale renale ridotta, anche dosi moderate di mezzi di contrasto possono determinare valori di CGR estremamente elevati, che potrebbero aumentare la suscettibilità alla CIE. Il CGR potrebbe fornire una misura composita clinicamente intuitiva che integra il carico di mezzo di contrasto e la capacità di eliminazione renale, anche se il suo valore predittivo aggiuntivo richiede ulteriore validazione. Integrando questo biomarcatore combinato, lo studio si è proposto di sviluppare un quadro predittivo che rifletta più da vicino la realtà fisiopatologica.
In sintesi, questo studio si è proposto di sviluppare e validare un modello predittivo per l'epilessia indotta da contrasto (CIE) basato sul machine learning (ML), utilizzando variabili cliniche e procedurali perioperatorie16. Gli obiettivi specifici comprendono: (1) presentare e valutare il CGR come indice composito esplorativo; (2) costruire e confrontare le prestazioni di cinque modelli di ML—Naive Bayes, SVM, KNN, LightGBM e MLP; e (3) identificare il modello ottimale. Data la limitata numerosità degli eventi CIE, il confronto tra modelli è stato considerato esplorativo e generatore di ipotesi. Alla fine, questo studio potrebbe fornire un quadro preliminare di stratificazione del rischio per la CIE nella pratica neurointerventistica, ma non dovrebbe essere utilizzato come strumento autonomo per il processo decisionale clinico senza una validazione esterna. La base concettuale del CGR e la sua relazione con l'esposizione al mezzo di contrasto e la clearance renale sono illustrate nella Figura 1A. Il flusso di lavoro complessivo dello studio, comprensivo della pre-elaborazione dei dati, della suddivisione in insiemi di addestramento e test, della selezione delle caratteristiche e dello sviluppo del modello, è riassunto nella Figura 1B. Il quadro di valutazione comparativa dei cinque modelli di ML è presentato nella Figura 1C.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Il protocollo dello studio è stato esaminato e approvato dal Comitato Etico dell'Ospedale Generale del Comando Teatrale Settentrionale (Numero di approvazione: Etica Y (2026) 75). Sebbene i dati clinici siano stati ottenuti da pazienti trattati tra gennaio 2024 e dicembre 2025, il presente studio è stato condotto come analisi retrospettiva dei record clinici esistenti. L'approvazione etica ottenuta nel 2026 copriva l'estrazione retrospettiva dei dati, la loro anonimizzazione, l'analisi e la pubblicazione di questi dati clinici raccolti in precedenza. Nessun intervento prospettico né arruolamento di pazienti è stato effettuato prima dell'approvazione etica. L'obbligo del consenso informato scritto è stato esonerato a causa della natura osservazionale retrospettiva dello studio. Tutte le procedure sono state condotte in conformità con la Dichiarazione di Helsinki e tutti i dati clinici sono stati anonimizzati prima dell'analisi. L'analisi attuale è stata condotta nell'ambito di un progetto di ricerca clinica neurointerventistica retrospettiva approvato. I materiali e l'equipaggiamento necessari per le procedure descritte di seguito sono riassunti nella Tabella dei Materiali.
Arruolamento dei pazienti e determinazione del CIE
I pazienti potenzialmente idonei sono stati identificati interrogando il sistema cartelle cliniche elettroniche per individuare i pazienti trattati presso il Dipartimento di Neurochirurgia dell'Ospedale Generale del Comando Teatrale Settentrionale tra gennaio 2024 e dicembre 2025. La ricerca iniziale è stata limitata in base alla data di ricovero, al reparto, alla diagnosi di malattia cerebrovascolare e ai referti di procedure neurointerventistiche. Il flusso dettagliato di selezione dei pazienti e di assegnazione al gruppo di studio è illustrato in Figura 2. I pazienti erano idonei all'inclusione se soddisfacevano tutti i seguenti criteri: (1) età compresa tra 30 e 80 anni; (2) diagnosi di malattia cerebrovascolare che richiedesse valutazione o trattamento neurointerventistico; (3) disponibilità di cartelle cliniche complete e risultati degli esami di laboratorio; e (4) esame TC cerebrale postoperatorio eseguito entro 3 giorni dall'intervento chirurgico.
I pazienti sono stati esclusi se presentavano dati clinici o di imaging incompleti, non avevano subito un intervento endovascolare, avevano deficit neurologici preoperatori gravi (punteggio della scala di Rankin modificata ≥4), mostravano infarto cerebrale acuto all'imaging ponderato in diffusione preoperatorio, presentavano malattia renale cronica allo stadio G4 o superiore secondo i criteri della Kidney Disease: Improving Global Outcomes (KDIGO), oppure avevano una grave malattia cardiovascolare. I criteri di inclusione ed esclusione sono stati applicati in modo sequenziale. Dopo la ricerca elettronica iniziale, ogni record selezionato è stato esaminato manualmente per confermare l'idoneità e registrare, quando applicabile, il motivo dell'esclusione. Dopo la selezione, i pazienti idonei sono stati assegnati casualmente ai gruppi di addestramento e di test in un rapporto di 8:2, comprendenti un gruppo di addestramento (n = 128) e un gruppo di test (n = 33). È stato utilizzato un campionamento casuale stratificato per mantenere una distribuzione costante dei casi con CIE e senza CIE tra i due gruppi.
La diagnosi di EIC era principalmente basata sull'associazione temporale tra l'insorgenza dei sintomi e le procedure di intervento cerebrovascolare, unita a una valutazione di esclusione tramite imaging. Due specialisti indipendenti in interventi cerebrovascolari hanno revisionato i referti clinici postoperatori, il momento dell'insorgenza dei sintomi, le manifestazioni neurologiche e i risultati dell'imaging postoperatorio di tutti i casi sospetti. Le divergenze sono state risolte mediante discussione fino al raggiungimento di un consenso. I pazienti sono stati considerati compatibili con l'EIC se, entro 24 ore dal completamento della procedura neurointerventistica, si verificavano cecità corticale nuova di zecca, alterazione della coscienza (inclusi sonnolenza, delirio o coma), crisi convulsiva o deficit neurologici focali come emiparesi o afasia.
Dopo l'insorgenza dei sintomi, cause alternative in grado di produrre manifestazioni neurologiche simili sono state escluse mediante la revisione delle immagini di CT o MRI postoperatoria insieme all'andamento clinico. La TC cranica postoperatoria è stata eseguita utilizzando il protocollo standard istituzionale di TC cranica senza mezzo di contrasto. I parametri essenziali di acquisizione includevano una tensione del tubo di 80 kVp, una corrente del tubo di 260 mA, uno spessore della fetta di 0,5 mm e una ricostruzione assiale standard. Le immagini sono state revisionate in finestre cerebrale e ossea da clinici esperti. Nella diagnosi differenziale sono state considerate emorragia intracranica acuta, emorragia subaracnoidea, emorragia intracerebrale, infarto cerebrale di nuova insorgenza e di grande area, alterazioni correlate a crisi convulsive, infezione e disturbi metabolici. Gli esami di TC post-insorgenza mostravano tipicamente edema cerebrale focale o diffuso e ombre ad alta densità che coinvolgevano la corteccia, le regioni sottocorticali o lo spazio subaracnoideo, simulando lesioni emorragiche. I reperti di risonanza magnetica mostrano solitamente un rigonfiamento corticale, in particolare a carico della corteccia temporo-parieto-occipitale. In alcuni pazienti, tuttavia, gli esami di TC o MRI non hanno mostrato alterazioni evidenti nonostante manifestazioni cliniche compatibili.
Acquisizione delle variabili perioperatorie e costruzione del CGR
I dati demografici generali, inclusi età, sesso e peso corporeo, sono stati estratti dai campi strutturati nel sistema di cartella clinica elettronica. Le variabili della storia clinica, tra cui storia del fumo, storia del consumo di alcol, ipertensione, diabete mellito e malattia coronarica, sono state ricavate dalle note di ricovero, dalle cartelle della storia medica precedente e dalle diagnosi alla dimissione, e sono state verificate per coerenza. I dati di laboratorio sono stati estratti dal sistema informativo di laboratorio. Per ogni paziente, è stato utilizzato il primo campione di sangue venoso raccolto dopo il ricovero e prima della procedura neurointerventistica. Le variabili di laboratorio estratte includevano la creatinina sierica, la velocità stimata di filtrazione glomerulare (eGFR), i livelli di colesterolo totale e di trigliceridi. L'eGFR è stato calcolato mediante l'equazione basata sulla creatinina del gruppo di studio Epidemiologia delle Malattie Renali Croniche (CKD-EPI) ed è stato ottenuto dal sistema informativo di laboratorio dell'ospedale.
Poiché la complessità procedurale, l'esposizione all'agente di contrasto e la localizzazione della lesione possono influenzare l'alterazione della barriera emato-encefalica e il ritenimento dell'agente di contrasto durante le procedure neurointerventistiche, anche le variabili procedurali perioperatorie sono state incluse nel modello predittivo. Le variabili relative alla procedura comprendevano la localizzazione della lesione, il tipo di procedura, la durata procedurale, il tipo di agente di contrasto e il volume totale di contrasto somministrato. La localizzazione della lesione e il tipo di procedura sono stati determinati dai referti operatori e dai documenti angiografici. La durata procedurale è stata definita come il tempo trascorso dalla puntura arteriosa fino al completamento della procedura neurointerventistica. Il volume totale di contrasto è stato definito come il volume cumulativo di mezzo di contrasto iodato somministrato dall'inizio alla fine della procedura. Gli agenti di contrasto utilizzati in questo studio erano mezzi di contrasto iodati non ionici (ICA), tra cui iodixanolo (320 mg di iodio/mL), somministrati in accordo con le pratiche cliniche istituzionali. Tutte le procedure neurointerventistiche incluse in questo studio sono state eseguite sotto guida angiografica a sottrazione digitale da parte di un team neurointerventistico esperto presso il centro dello studio. Tutte le procedure sono state eseguite mediante accesso arterioso transfemorale. Durante l'intervento, ai pazienti è stata somministrata anticoagulazione intraoperatoria con eparina, e il tempo di coagulazione attivato è stato mantenuto nell'intervallo target di 250–300 s. I parametri vitali sono stati monitorati continuamente per tutta la durata della procedura.
Gli interventi terapeutici, inclusa l'embolizzazione dell'aneurisma, l'angioplastica e il posizionamento di stent, sono stati eseguiti in base alle caratteristiche della lesione e al giudizio dell'operatore. Sono stati selezionati microcateteri, spirali, stent o palloncini appropriati in base alle esigenze procedurali. Durante l'imaging angiografico e l'intervento, gli agenti di contrasto sono stati somministrati mediante iniezione ad alta pressione o infusione manuale a flusso costante. Il tipo di agente di contrasto e il volume totale di contrasto sono stati estratti dai referti procedurali e verificati incrociandoli con i referti anestesiologici o infermieristici, quando disponibili. I referti con informazioni incomplete o discordanti sul volume di contrasto sono stati revisionati manualmente prima dell'inclusione nel dataset analitico finale.
Tutte le variabili relative alle procedure, incluse la durata dell'intervento, il tipo di intervento terapeutico, l'uso di dispositivi e i dati relativi alla somministrazione dell'agente di contrasto, sono state revisionate sistematicamente e verificate per completezza e coerenza prima dell'analisi. Per valutare quantitativamente lo squilibrio tra carico di mezzo di contrasto e capacità di eliminazione renale, il rapporto CGR è stato stabilito come variabile predittiva fondamentale e calcolato secondo l'equazione seguente:
(1)
Il volume totale di mezzo di contrasto è stato registrato in mL e il valore di eGFR è stato registrato in mL/min/1.73 m2. Il valore di eGFR utilizzato per il calcolo del CGR corrispondeva al valore preoperatorio ottenuto dal primo campione di sangue venoso raccolto dopo il ricovero e prima della procedura neurointerventistica. Per ogni paziente, il CGR è stato calcolato dopo aver verificato sia il volume totale di mezzo di contrasto sia il valore di eGFR. Il numeratore corrispondeva al volume totale di mezzo di contrasto espresso in mL, mentre il denominatore corrispondeva all'eGFR espresso in mL/min/1.73 m2. La stessa regola di calcolo è stata applicata a tutti i pazienti prima dello sviluppo del modello.
Selezione delle caratteristiche e flusso di lavoro del machine learning
Per garantire la robustezza analitica, tutte le variabili cliniche e di laboratorio sono state sottoposte a procedure sistematiche di controllo qualità prima dell'analisi. La proporzione di dati mancanti è stata calcolata per ciascuna variabile candidata prima dello sviluppo del modello. Nel dataset analitico finale, non sono stati osservati valori mancanti tra i predittori inclusi o le etichette dell'esito; pertanto, nessuna variabile è stata esclusa a causa di dati mancanti e non è stata necessaria l'imputazione multipla. Il riepilogo dettagliato relativo ai dati mancanti è riportato nella Tabella Supplementare 1.
Tutte le variabili predittive candidate sono state inizialmente valutate mediante analisi univariate per verificare la loro associazione con l'insorgenza di CIE. I metodi statistici sono stati scelti in base alle caratteristiche di distribuzione dei dati. Le variabili con distribuzione normale sono state espresse come media ± deviazione standard e confrontate utilizzando il test t per campioni indipendenti. Le variabili con distribuzione non normale sono state espresse come mediana (intervallo interquartile, IQR) e analizzate mediante il test di Mann-Whitney U. Le variabili categoriche sono state riportate come frequenze e percentuali e analizzate con il test del chi-quadrato o con il test esatto di Fisher. L'associazione statisticamente significativa è stata definita per p < 0,05.
L'intero set di dati è stato suddiviso casualmente in cohorti di addestramento e di test in un rapporto 8:2 prima dello sviluppo del modello. Per ridurre al minimo l'overfitting e diminuire la multicollinearità, è stata applicata una regressione con operatore di riduzione e selezione della norma L1 (LASSO) combinata con una validazione incrociata a 10 ripiegamenti per la selezione delle caratteristiche. La selezione delle caratteristiche, l'ottimizzazione degli iperparametri e lo sviluppo del modello sono stati eseguiti utilizzando esclusivamente la coorte di addestramento per evitare perdite di dati. La coorte di test interna non è stata utilizzata durante l'imputazione, la stima dei parametri, la selezione delle caratteristiche, l'ottimizzazione degli iperparametri o l'addestramento del modello, ed è stata impiegata una sola volta per la valutazione finale delle prestazioni. L'ottimizzazione degli iperparametri è stata condotta mediante una strategia di ricerca a griglia con validazione incrociata a 10 ripiegamenti all'interno della coorte di addestramento. In particolare, la coorte di addestramento è stata suddivisa casualmente in 10 sottoinsiemi mutuamente esclusivi. Durante ogni iterazione, nove sottoinsiemi sono stati utilizzati per l'addestramento del modello, mentre il sottoinsieme rimanente è stato impiegato per la validazione. Questo processo è stato ripetuto 10 volte in modo che ciascun sottoinsieme fungesse esattamente una volta da coorte di validazione.
Tutte le analisi computazionali sono state eseguite in un ambiente Python. Lo sviluppo e la valutazione del modello di apprendimento automatico (ML) sono stati effettuati utilizzando scikit-learn. Gli script di analisi utilizzati per la pre-elaborazione dei dati, la selezione delle caratteristiche, l'addestramento del modello, la valutazione delle prestazioni e l'analisi decisionale clinica (DCA) sono forniti come file di codice supplementari. Per l'implementazione del modello, le caratteristiche selezionate dalla regressione LASSO sono state utilizzate come variabili di ingresso per tutti i classificatori candidati. Le variabili continue sono state standardizzate mediante normalizzazione con punteggio z all'interno del gruppo di addestramento, e gli stessi parametri di scala sono stati applicati al gruppo di test interno. Le variabili categoriche sono state codificate secondo lo schema di codifica predefinito, e le definizioni delle variabili e lo schema di codifica sono riportati in Tabella Supplementare 2. Sono stati implementati cinque classificatori: Bayesiano Naive Gaussiano, SVM, KNN, LightGBM e MLP. Per SVM, sono stati ottimizzati il tipo di kernel, il parametro di regolarizzazione C e il coefficiente del kernel gamma. Per KNN, sono stati ottimizzati il numero di vicini e la strategia di pesatura della distanza. Per LightGBM, sono stati ottimizzati il numero di stimatori, la velocità di apprendimento, la profondità massima dell'albero e il numero di foglie. Per MLP, sono state ottimizzate la struttura degli strati nascosti, la funzione di attivazione, il parametro di regolarizzazione e la velocità di apprendimento. Il Bayesiano Naive Gaussiano è stato implementato utilizzando l'impostazione specificata per la regolarizzazione della varianza. La combinazione ottimale di iperparametri per ciascun modello è stata selezionata in base alle prestazioni ottenute con la validazione incrociata all'interno del gruppo di addestramento. Le combinazioni finali ottimizzate di iperparametri selezionate per ciascun modello sono riassunte in Tabella Supplementare 3. Dopo la selezione degli iperparametri, ciascun modello finale è stato riadattato sull'intero gruppo di addestramento e valutato una volta sola nel gruppo di test interno.
Confronti delle prestazioni del modello
Sulla base dei predittori selezionati, sono stati sviluppati e confrontati cinque modelli di apprendimento automatico (ML). Le prestazioni dei modelli sono state valutate sia nel gruppo di addestramento che in quello di test mediante l'area sotto la curva caratteristica operativa del ricevitore (AUC), l'intervallo di confidenza al 95% (95% CI), la sensibilità, la specificità e l'accuratezza. Sono state generate curve ROC per confrontare le prestazioni discriminative dei diversi modelli. La soglia ottimale di classificazione per ciascun modello è stata determinata esclusivamente all'interno del gruppo di addestramento utilizzando l'indice di Youden. La soglia ottenuta è stata quindi mantenuta fissa e applicata invariata al gruppo di test interno per il calcolo delle metriche di prestazione dipendenti dalla soglia.
Analisi della curva decisionale
L'analisi decisionale basata sulla curva (DCA) è stata eseguita calcolando il beneficio netto di ciascun modello in un intervallo di probabilità soglia e confrontando la strategia basata sul modello con due strategie di default: trattare tutti i pazienti e non trattare nessun paziente. La DCA è stata scelta perché consente di valutare simultaneamente le prestazioni discriminanti e l'applicabilità clinica potenziale in contesti decisionali perioperatori. Per facilitare la riproducibilità, l'intero flusso di lavoro è stato eseguito nella seguente sequenza: identificazione dei pazienti dal sistema cartella clinica elettronica, applicazione dei criteri di inclusione ed esclusione, valutazione della CIE da parte di due specialisti indipendenti, estrazione e verifica incrociata delle variabili demografiche, anamnestiche, di laboratorio e relative alle procedure, calcolo del CGR, valutazione dei dati mancanti e suddivisione in coorti di training e di test, selezione delle caratteristiche basata su LASSO all'interno della coorte di training, ottimizzazione degli iperparametri mediante cross-validation a 10 ripiegamenti, ricalibrazione finale del modello nell'intera coorte di training, valutazione sulla coorte di test interna, valutazione delle prestazioni basata sulla curva ROC, determinazione della soglia tramite indice di Youden e analisi DCA.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Arruolamento dei pazienti e determinazione della CIE
Un totale di 161 pazienti sottoposti a procedure neurointerventistiche sono stati inclusi in questo studio, tra cui 12 (7,5%) hanno sviluppato un'encefalopatia ischemica critica (CIE), mentre 149 (92,5%) non l'hanno sviluppata. Il processo dettagliato di selezione e raggruppamento dei pazienti è mostrato in Figura 2. La diagnosi di CIE è stata formulata sulla base della correlazione temporale tr...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
L'encefalopatia indotta dal mezzo di contrasto (CIE) è una complicanza rara ma potenzialmente grave che si verifica in seguito a procedure neurointerventistiche, caratterizzata da un'alterazione neurologica acuta insorgente poco dopo l'esposizione ai mezzi di contrasto. Sebbene la condizione sia generalmente reversibile, in alcuni casi può portare a deficit neurologici persistenti o addirittura a esiti potenzialmente letali, evidenziando l'importanza di un'identificazione precoce del rischio17
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
Gli autori dichiarano di non avere interessi concorrenti. La piattaforma OnekeyAI è stata utilizzata esclusivamente come strumento di ricerca per l'analisi strutturata dei dati e lo sviluppo di modelli in questo studio.
Ringraziamenti
Questo lavoro è stato sostenuto dal Programma congiunto scientifico e tecnologico della provincia di Liaoning (Progetto del Programma chiave di ricerca e sviluppo; numero della sovvenzione 2025JH2/101800053) e dal Programma Xingliao per i Talenti della Provincia di Liaoning (numero della sovvenzione XLYC2403134). Gli autori ringraziano inoltre il Dipartimento di Neurochirurgia dell'Ospedale Generale del Teatro Settentrionale per il supporto nella raccolta dei dati dei pazienti e nella revisione delle neuroimmagini.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Sistema elettronico delle cartelle cliniche | Ospedale Generale del Teatro Settentrionale | Sistema clinico istituzionale | Utilizzato per l'estrazione retrospettiva dei dati Raccolta di variabili demografiche e della storia clinica |
| Sistema informativo di laboratorio | Ospedale Generale del Teatro Settentrionale | Sistema di laboratorio istituzionale | Utilizzato per l'estrazione retrospettiva dei dati di laboratorio Raccolta della creatinina sierica, del filtrato glomerulare stimato (eGFR), del profilo lipidico e di altri dati di laboratorio |
| Sistema di angiografia con sottrazione digitale | Philips | Allura Xper FD 20 (con Interventional Workstation R1.3.2) | Utilizzato durante le procedure cliniche di routine Procedura neurointerventistica e registrazione dell'uso del mezzo di contrasto |
| Scanner TC | Philips | Ingenuity CT | Utilizzato per la valutazione postoperatoria delle immagini Valutazione postoperatoria della TC cranica |
| Piattaforma OnekeyAI per l'analisi di dati strutturati | OnekeyAI | 20240916 | Utilizzata come strumento di ricerca; nessun ruolo nelle decisioni cliniche Preelaborazione dei dati strutturati, costruzione del modello, valutazione del modello e generazione di figure |
| Python | Fondazione Python Software | 3.7.12 | Linguaggio di programmazione open source Preelaborazione dei dati, analisi statistica, sviluppo del modello e visualizzazione |
| scikit-learn | Sviluppatori di scikit-learn | 1.0.2 | Libreria open source di machine learning per Python LASSO, Bayes ingenuo, SVM, KNN, MLP, analisi ROC e metriche di prestazione |
Riferimenti
- 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.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.