神経インターベンション術後における造影剤誘発性脳症の機械学習による予測

サマリー

神経インターベンション処置後の造影剤誘発性脳症（CIE）を予測するため、周術期データを用いた探索的な機械学習（ML）フレームワークの評価が行われました。その結果、Naive Bayesモデルが最もバランスの良い記述的性能を示し、個別のリスク評価における重要な候補予測因子として、造影剤量対eGFR比（CGR）が特定されました。

要約

CIEは、神経介入術後に発生するまれながら重篤な合併症であり、信頼性の高い非侵襲的な予測ツールが依然として不足しています。本研究の目的は、周術期の臨床データおよび手技データを用いてCIEを予測するためのMLモデルを構築・検証し、CIEに対するCGRの予測価値を評価することでした。本研究は、2024年1月から2025年12月までにNorthern Theater General Hospitalの脳神経外科にて神経介入術を受けた患者161名を連続的に組み入れた、単施設レトロスペクティブ研究です。CIEの周術期予測因子候補は、単変量解析とLASSO回帰を組み合わせて同定されました。選出された変数に基づき、Naive Bayes、サポートベクターマシン（SVM）、k-近傍法（KNN）、LightGBM、多層パーセプトロン（MLP）の5つのMLモデルを学習および最適化しました。モデルの性能は、受信者動作特性曲線下面積（AUC）および決定曲線分析（DCA）を用いて包括的に評価されました。評価したモデルの中で、Naive Bayesモデルが内部テストセットにおいて最も良好な記述的性能を示し、AUC 0.952（95% CI: 0.843–1.000）、感度 100%、特異度 90.3%でした。しかし、データセットに顕著な不均衡があり、内部テストコホートが小規模でCIEイベント数が非常に限られていたため、これらの指標は慎重に解釈されるべきです。DCAの結果は、選択した閾値確率において潜在的な臨床的ネットベネフィットがあることを示唆しました。重要度分析（Feature-importance analysis）により、本データセットにおいてCGRがCIEリスクに関連する極めて順位の高い予測因子候補であることが示されました。本研究で評価されたNaive Bayesモデルは、神経介入術後のCIEに関する周術期評価のための予備的なリスク層別化フレームワークを提供する可能性があります。CGRは重要な予測因子として浮上し、個別化されたリスク層別化に寄与する可能性があります。臨床応用の前に、さらなる外部検証が必要です。

概要

過去20年間にわたり、低侵襲なインターベンション技術は、脳血管疾患の治療パラダイムを根本的に変えてきました¹。神経インターベンション手技は、高い有効性と低侵襲性という利点から、選択された脳血管疾患における重要な治療オプションとなっています²。しかし、インターベンション手技の複雑さが増すにつれ、手技中に使用される造影剤の投与量や注入圧、および造影剤への曝露時間も増加しています。その結果、造影剤に関連した合併症が徐々に注目されるようになっています^3,4,5,6,7。ヨード造影剤（ICM）によって誘発される急性かつ一過性の神経機能障害であるCIEは、特に複雑な神経インターベンション手技において、臨床的に重要な合併症として認識されるようになっています。CIEの典型的な臨床症状は通常、造影剤曝露後数分から24時間以内に現れ、意識状態の変化（傾眠、せん妄、昏睡など）、皮質盲、局所的な神経脱落症状（片麻痺や失語症など）、および痙攣が含まれます^4,5,6。ほとんどのCIE症例は自己限定的であり、症状は通常48〜72時間以内に消失しますが、一部の患者では永続的な神経障害が残る場合があります。重症例では、広範な脳浮腫により死に至ることさえあります^4,7。このような転帰の予測不能性は、周術期における早期リスク予測のための信頼性の高いツールの開発が急務であることを強調しています。

臨床データの量が増大し続けるにつれ、多重共線性を示す高次元の医療データを扱う際、従来の統計的手法では不十分なことが多くなっています。さらに、単変量解析や単純なロジスティック回帰モデルでは、変数間の複雑で非線形な相互作用を捉えられないことがよくあります。MLは、これらの課題を解決するための新たなアプローチを提供します⁸。SVM、勾配ブースティング決定木（LightGBM）、MLPなどのMLアルゴリズムは、高次元の特徴空間における潜在的なパターンを自動的に特定し、強力な予測能力を持つ非線形モデルを構築できます^8,9,10,11。しかし、予測精度の追求の一方で、これらのアルゴリズムの「ブラックボックス」的な性質、すなわち解釈性の欠如は、医療上の意思決定における信頼性に関する懸念をしばしば引き起こします^12,13。対照的に、単純な確率論的ロジックと固有の解釈性を備えたNaive Bayesアルゴリズムは、小規模サンプルの臨床研究において独自の利点を示します^14,15。各予測変数がアウトカムイベントに寄与する事後確率を評価することで、Naive Bayesモデルは予測性能を確保するだけでなく、臨床医に直感的な意思決定支援の知見を提供します。さらに、造影剤の負荷量と個々の排泄能力の間の不均衡を定量的に評価するため、本研究では核心的な特徴量として造影剤対eGFR比（CGR）を革新的に導入しました。腎機能予備能が低い患者では、中程度の造影剤投与量であってもCGR値が極めて高くなり、CIEへの感受性が高まる可能性があります。CGRの増分予測価値についてはさらなる検証が必要ですが、CGRは造影剤の負荷量と腎排泄能力を統合した、臨床的に直感的な複合指標となり得ます。この統合バイオマーカーを組み込むことで、本研究は病態生理学的な実態をより密接に反映した予測フレームワークの開発を目的としました。

要約すると、本研究は周術期の臨床的および手技的変数を用いて、機械学習（ML）に基づいたCIE予測モデルを開発し、検証することを目的とした¹⁶。具体的な目的は以下の通りである：(1) 探索的な複合指標としてCGRを導入し評価すること、(2) Naive Bayes、SVM、KNN、LightGBM、MLPの5つのMLモデルを構築し、その性能を比較すること、および (3) 最適なモデルを特定することである。CIEの発生件数が限定的であったため、モデルの比較は探索的であり、仮説を生成するためのものであると考えられた。最終的に、本研究は神経インターベンション診療におけるCIEの予備的なリスク層別化フレームワークを提供する可能性があるが、外部検証なしに単独の臨床的意思決定ツールとして使用すべきではない。CGRの概念的根拠および造影剤曝露と腎クリアランスとの関係は、図1Aに示されている。データの前処理、トレーニング用/テスト用データの分割、特徴量選択、およびモデル開発を含む研究全体のワークフローは、図1Bにまとめられている。5つのMLモデルの比較評価フレームワークは、図1Cに提示されている。

プロトコル

本研究プロトコルは、北部戦区総医院の倫理委員会によって審査および承認されました（承認番号：Ethics Y (2026) 75）。臨床データは2024年1月から2025年12月の間に治療を受けた患者から得られたものですが、本研究は既存の臨床記録のレトロスペクティブ解析として実施されました。2026年に得られた倫理承認は、以前に収集されたこれらの臨床データのレトロスペクティブな抽出、匿名化、解析、および公表を対象としています。倫理承認前に、前向きな介入や患者の登録は行われていません。レトロスペクティブな観察研究デザインであるため、書面によるインフォームド・コンセントの必要性は免除されました。すべての手順はヘルシンキ宣言に準拠して実施され、すべての臨床データは解析前に匿名化されました。本解析は、承認済みのレトロスペクティブな神経インターベンション臨床データ研究プロジェクトの一環として実施されました。以下に述べる手順に必要な材料および器具は、材料表にまとめられています。

患者の登録およびCIEの決定

2024年1月から2025年12月の間に北部戦区总医院の脳神経外科で治療を受けた患者を電子診療録システムで検索し、適格となる可能性のある患者を特定した。初期検索は、入院日、診療科、脳血管疾患の診断、および神経インターベンション処置の記録によって制限した。詳細な患者スクリーニングおよびコホート割り当てのワークフローは、図2に示されている。以下の基準をすべて満たす患者を組み入れ対象とした：(1) 年齢が30歳から80歳であること、(2) 神経インターベンションによる評価または治療を必要とする脳血管疾患の診断を受けていること、(3) 完全な臨床記録および検査結果が得られていること、(4) 術後3日以内に頭部CT検査が実施されていること。

臨床データまたは画像データが不完全な患者、血管内治療を受けていない患者、術前に重度の神経学的欠損（modified Rankin Scaleスコア ≥4）がある患者、術前の拡散強調画像で急性脳梗塞が認められた患者、Kidney Disease: Improving Global Outcomes（KDIGO）基準に基づきステージG4以上の慢性腎臓病を有する患者、または重度の心血管疾患を有する患者は除外した。選択基準および除外基準は順次適用した。最初の電子検索の後、各候補記録を個別に確認し、適格性を確認し、該当する場合は除外理由を記録した。スクリーニング後、適格な患者をトレーニングコホート（n = 128）とテストコホート（n = 33）に8:2の比率でランダムに割り当てた。2つのコホート間でCIE例と非CIE例の分布を一定に保つため、層化ランダムサンプリングを用いた。

CIEの診断は、主に症状の発現と脳血管インターベンション手技との時間的関連性に加え、除外的な画像診断に基づいて行われた。2名の独立した脳血管インターベンション専門医が、すべての疑い例について、術後の臨床記録、症状発現時間、神経学的所見、および術後の画像所見を検討した。不一致がある場合は、合意に至るまで協議によって解決した。神経インターベンション手技の完了後24時間以内に、新規に皮質盲、意識変化（傾眠、せん妄、または昏睡を含む）、痙攣、あるいは片麻痺や失語症などの局所神経脱落症状が出現した患者をCIEに適合すると判定した。

症状の発現後、術後のCTまたはMRI画像と臨床経過を合わせて検討し、同様の神経学的所見を呈しうる他の原因を除外した。術後の頭部CTは、施設標準の単純頭蓋CTプロトコルを用いて実施した。主な撮像パラメータは、管電圧 80 kVp、管電流 260 mA、スライス厚 0.5 mm、および標準的な軸位再構成とした。画像は、経験豊富な臨床医によって脳窓および骨窓で読影した。鑑別診断では、急性頭蓋内出血、くも膜下出血、脳内出血、新規に発症した広範な脳梗塞、痙攣に伴う変化、感染症、および代謝性障害を考慮した。症状発現後のCT検査では、通常、皮質、皮質下領域、またはくも膜下腔に、出血性病変に類似した局所的またはびまん性の脳浮腫および高吸収域が認められた。MRI所見では、通常、特に側頭・頂・後頭葉の皮質において皮質の腫脹が認められた。しかしながら、一部の患者では、臨床所見と合致しているにもかかわらず、CTまたはMRI検査で明らかな異常が認められなかった。

周術期変数の取得およびCGRの構築

年齢、性別、体重を含む一般的な人口統計学的データは、電子カルテシステムの構造化フィールドから抽出した。喫煙歴、飲酒歴、高血圧、糖尿病、冠動脈性心疾患を含む臨床歴の変数は、入院時ノート、既往歴記録、および退院時診断から抽出し、整合性をクロスチェックした。検査データは、臨床検査情報システムから抽出した。各患者について、入院後かつ神経インターベンション手技前に採取された最初の静脈血検体を使用した。抽出した検査変数には、血清クレアチニン、推算糸球体ろ過量（eGFR）、総コレステロール、およびトリグリセリド値が含まれる。eGFRは、Chronic Kidney Disease Epidemiology Collaboration（CKD-EPI）のクレアチニンに基づく計算式を用いて算出したものを、病院の臨床検査情報システムから取得した。

手技の複雑さ、造影剤への曝露、および病変部位が、神経インターベンション手技中の血液脳関門の破綻および造影剤の保持に影響を及ぼす可能性があるため、周術期の手技変数も予測フレームワークに組み込まれました。手技に関連する変数には、病変部位、手技の種類、手技時間、造影剤の種類、および造影剤の総投与量が含まれました。病変部位と手技の種類は、手術記録および血管造影記録から決定されました。手技時間は、動脈穿刺から神経インターベンション手技の完了までの時間と定義されました。造影剤の総投与量は、手技の開始から終了までに投与されたヨード造影剤の累積量と定義されました。本研究で使用された造影剤は、施設内の臨床慣行に従って投与されたiodixanol（320 mg of iodine/mL）を含む非イオン性ICAでした。本研究に含まれるすべての神経インターベンション手技は、研究センターの経験豊富な神経インターベンションチームにより、デジタル減算血管造影（DSA）ガイド下で実施されました。すべての手技は経大腿動脈アプローチを用いて行われました。インターベンション中、患者にはヘパリンによる術中抗凝固療法が行われ、活性凝固時間は250–300 sの目標範囲内に維持されました。手技の間、バイタルサインは継続的にモニタリングされました。

病変の特性および術者の判断に基づき、動脈瘤塞栓術、血管形成術、ステント留置術などの治療的介入が実施された。手技上の要件に応じて、適切なマイクロカテーテル、コイル、ステント、またはバルーンが選択された。血管造影イメージングおよび介入の間、造影剤は高圧注入または手動による定速注入のいずれかによって投与された。造影剤の種類および総造影剤量は手技記録から抽出され、利用可能な場合は麻酔記録または看護記録と照合された。造影剤量の情報に矛盾があるか不完全な記録については、最終的な解析データセットに組み込む前に手動でレビューを行った。

解析に先立ち、処置時間、治療介入の種類、デバイスの使用状況、造影剤投与記録を含む、処置に関連するすべての変数を体系的に検討し、完全性と一貫性を確認した。造影剤負荷量と腎排泄能の不均衡を定量的に評価するため、CGRを主要な予測変数として設定し、以下の式に従って算出した：

(1)

総造影剤量はmLで記録し、eGFRはmL/min/1.73 m²で記録した。CGRの算出に使用したeGFR値は、入院後かつ神経介入術前に採取した最初の静脈血サンプルから得られた術前eGFR値とした。各患者について、総造影剤量とeGFRの両方を確認した後にCGRを算出した。分子を総造影剤量（mL）、分母をeGFR（mL/min/1.73 m²）とした。モデル構築前に、すべての患者に対して同一の計算ルールを適用した。

特徴選択および機械学習ワークフロー

分析の堅牢性を確保するため、すべての臨床および実験室変数に対して、分析前に系統的な品質管理手順を実施した。モデル構築の前に、各候補変数について欠損データの割合を算出した。最終的な分析データセットにおいて、組み込まれた予測因子またはアウトカムラベルに欠損値は認められなかった。したがって、欠損を理由に除外された変数はありませんず、多重代入法は不要であった。欠損データの詳細な要約は付録表1に示されている。

すべての候補予測変数は、まず単変量解析を用いて、CIEの発生との関連性を評価した。統計手法はデータの分布特性に基づいて選択した。正規分布を示す変数は平均値 ± 標準偏差で表記し、独立サンプルt検定を用いて比較した。非正規分布を示す変数は中央値（四分位範囲、IQR）で表記し、Mann–Whitney U検定を用いて解析した。カテゴリー変数は頻度とパーセンテージで提示し、カイ二乗検定またはFisherの直接確率検定を用いて解析した。統計的有意性は p < 0.05 と定義した。

モデル構築に先立ち、全データセットをトレーニングコホートとテストコホートに8:2の比率で無作為に分割した。過学習を最小限に抑え、多重共線性を低減させるため、10分割交差検証を組み合わせたLASSO（least absolute shrinkage and selection operator）回帰を用いて特徴量選択を行った。データリークを避けるため、特徴量選択、ハイパーパラメータのチューニング、およびモデル構築はトレーニングコホートのみを用いて実施した。内部テストコホートは、欠損値補完のパラメータ推定、特徴量選択、ハイパーパラメータのチューニング、またはモデルトレーニングには使用せず、最終的な性能評価のために一度のみ使用した。ハイパーパラメータの最適化は、トレーニングコホート内での10分割交差検証を用いたグリッドサーチ戦略により行った。具体的には、トレーニングコホートを互いに排他的な10個のサブセットに無作為に分割した。各反復において、9つのサブセットをモデルトレーニングに使用し、残りの1つのサブセットを検証に使用した。このプロセスを10回繰り返すことで、各サブセットがちょうど1回ずつ検証コホートとして機能するようにした。

すべての計算解析はPython環境で実施されました。MLモデルの開発および評価にはscikit-learnを使用しました。データの前処理、特徴量選択、モデル学習、性能評価、およびDCAに使用した解析スクリプトは、補足コードファイルとして提供されています。モデルの実装においては、LASSO回帰で選択された特徴量をすべての候補分類器の入力変数として使用しました。連続変数については、トレーニングコホート内でzスコア正規化を用いて標準化し、内部テストコホートにも同様のスケーリングパラメータを適用しました。カテゴリ変数は、定義済みのコーディングスキームに従ってエンコードされ、変数の定義とコーディングスキームはSupplementary Table 2に記載されています。実装した分類器は、ガウスナイーブベイズ、SVM、KNN、LightGBM、およびMLPの5種類です。SVMでは、カーネルタイプ、正則化パラメータC、およびカーネル係数gammaを調整しました。KNNでは、近傍数と距離重み付け戦略を調整しました。LightGBMでは、エスティメーター数、学習率、最大ツリー深さ、および葉の数を調整しました。MLPでは、隠れ層構造、活性化関数、正則化パラメータ、および学習率を調整しました。ガウスナイーブベイズは、指定された分散平滑化設定を用いて実装しました。各モデルの最適なハイパーパラメータの組み合わせは、トレーニングコホート内でのクロスバリデーション性能に基づいて選択されました。各モデルで最終的に選択された最適化済みハイパーパラメータの組み合わせは、Supplementary Table 3にまとめられています。ハイパーパラメータの選択後、各最終モデルをトレーニングコホート全体で再学習させ、内部テストコホートで一度のみ評価しました。

モデル性能の比較

選択された予測因子に基づき、5つのMLモデルを構築し、比較しました。モデルの性能は、トレーニングコホートとテストコホートの両方において、受信者動作特性曲線の下面積（AUC）、95%信頼区間（95% CI）、感度、特異度、および正診率を用いて評価しました。異なるモデル間の判別能を比較するために、受信者動作特性曲線を作成しました。各モデルの最適な分類しきい値は、Youden indexを用いてトレーニングコホート内のみで決定しました。得られたしきい値を固定し、しきい値依存の性能指標を算出するために、内部テストコホートにそのまま適用しました。

決定曲線分析

DCAは、一連の閾値確率における各モデルの正味の利益（net benefit）を算出し、モデルに基づく戦略を、全患者を治療する戦略および全患者を治療しない戦略という2つのデフォルト戦略と比較することで実施した。DCAを選択した理由は、周術期の意思決定における識別能と潜在的な臨床適用の可能性を同時に評価できるためである。再現性を高めるため、完全なワークフローを以下の順序で実施した：電子カルテシステムからの患者特定、選択基準および除外基準の適用、2名の独立した専門家によるCIEの判定、人口統計学的変数、臨床歴、検査値、および処置関連変数の抽出と相互照合、CGRの算出、欠損データの評価およびトレーニング・テストコホートへの分割、トレーニングコホート内でのLASSOに基づく特徴量選択、10分割交差検証によるハイパーパラメータのチューニング、トレーニングコホート全体での最終モデルの再フィッティング、内部テストコホートによる評価、ROCに基づく性能評価、Youden indexによる閾値の決定、およびDCA。

結果

患者の登録およびCIEの判定

神経介入術を施行した計161人の患者を本研究に組み入れ、そのうち12人（7.5%）がCIEを発症し、149人（92.5%）は発症しませんでした。詳細な患者のスクリーニングおよびグループ分けのプロセスは図2に示しています。CIEの診断は、症状の発現と神経介入術との時間的な関連性に加え、除外的な画像所見に基づいて確定されました。CIEの代表的な神経画像所見を図3A–Dに示します。

2群のベースラインにおける人口統計学的、臨床的、検査的および手技的特性をTable 1にまとめる。年齢、性の分布、または体重において、CIE群と非CIE群の間に有意な差は認められなかった（すべて p > 0.05）。同様に、高血圧、糖尿病、冠動脈性心疾患を含む一般的な併存疾患の有病率についても、2群間で有意な差はなかった（すべて p > 0.05）。アルコール摂取量や喫煙習慣などのライフスタイル要因も同等であった。

対照的に、いくつかの検査および手技に関連する変数は、2群間で有意な差を示しました。CIE群の患者は、非CIE群と比較して血清クレアチニン値が有意に高く（中央値：85.2 vs 65.3 µmol/L, p = 0.004）、一方でeGFRは有意に低い値でした（中央値：81 vs 102.7 mL/min/1.73 m², p < 0.001）。手技の特徴に関しては、CIE群では非CIE群よりも塞栓術の施行頻度が有意に高くなっていました（41.7% vs 2.0%, p < 0.001）。加えて、CIEを発症した患者では後方循環系の病変が有意に多く認められました（58.3% vs 6.0%, p < 0.001）。使用された造影剤の種類については、2群間に有意な差は見られませんでした（p = 0.982）。さらに、CIE群の患者は手技中の造影剤投与量が有意に多く（中央値：200.0 vs 165.0 mL, p = 0.005）、手技時間も有意に長い結果となりました（中央値：78.5 vs 50.0 min, p = 0.008）。注目すべき点として、本研究で提案した複合指標であるCGRは、非CIE群と比較してCIE群で有意に高く（中央値：2.35 vs 1.63, p < 0.001）、CGRとCIEの発生との間に強い関連があることが示されました。

周術期変数の取得とCGRの構築

周術期の人口統計学的変数、検査データ、および処置変数は、プロトコルに記載されている通りに系統的に収集し、分析した。これらの変数のうち、総造影剤量とeGFRの比として定義されるCGRは、造影剤曝露量と腎クリアランス能のバランスを反映する複合指標として構築した。本コホートにおいて、CGRはCIEの発生と関連しており、特徴量選択およびモデル開発分析の予測候補因子として組み込まれた。CGRをその構成要素である個々の変数と比較するため、CGR、総造影剤量、およびeGFRを用いて比較ROC分析を行った。CGRのCIEに対する識別能が最も高く、AUCは0.959（95% CI: 0.924–0.985）であり、総造影剤量（AUC = 0.745, 95% CI: 0.559–0.886）およびリスクの逆方向に分析したeGFR（AUC = 0.865, 95% CI: 0.764–0.951）を上回った。CGRと総造影剤量のAUC差は0.214であり、CGRとeGFRのAUC差は0.093であった。詳細な結果はSupplementary Table 4に示されている。

特徴選択および機械学習（ML）ワークフロー

多重共線性を最小限に抑えつつ、最も関連性の高い予測因子を特定するため、候補変数に対して10回交差検証を用いたLASSO回帰を適用した。LASSOモデルの係数プロファイルと交差検証曲線は、それぞれ図 4Aおよび図 4Bに示されている。最終モデルにおけるLASSO係数のランキングは図 5に示されている。最適なλ値において、CGR、処置の種類、病変部位、トリグリセリド値、血清クレアチニン、eGFR、およびいくつかの臨床共変量を含む変数のサブセットが保持された。LASSO係数に基づく保持された予測因子の定量的ランキングは、付録表 5に記載されている。

モデル性能の比較

CIEのリスクを予測するために、ナイーブベイズ、SVM、KNN、LightGBM、MLPの5つの機械学習アプローチを開発した。学習セットおよびテストセットにおけるこれらの性能を表2にまとめ、5つのモデルの精度比較を図6に、対応する混同行列を付録図1、付録図2、付録図3、付録図4、および付録図5に示した。データセットはCIE症例が12例、非CIE症例が149例と著しく不均衡であったため、正解率および閾値ベースの指標は、感度、特異度、AUC、および信頼区間と併せて慎重に解釈する必要がある。学習セットにおいて、すべてのモデルは良好な判別能を示し、AUC値は0.961–0.999の範囲であった。内部テストセットでは、ナイーブベイズモデルが数値的に最高の値を示し（AUC = 0.952, 95% CI: 0.843–1.000）、次いでLightGBM（AUC = 0.944, 95% CI: 0.822–1.000）、SVM（AUC = 0.935, 95% CI: 0.796–1.000）の順であった。

Youden indexにより決定された最適な分類閾値において、Naive Bayesモデルは感度100%および特異度90.3%を示した。モデル間のAUCにおける正式なペアワイズ統計比較は行われていないため、観察されたモデル間の差は記述的かつ探索的なものとして解釈されるべきである。また、データセットが著しく不均衡であり、内部テストコホートが小さくCIEイベント数が非常に限られていたため、感度や特異度などの閾値ベースの指標は不安定である可能性があり、慎重に解釈する必要がある。トレーニングセットおよびテストセットにおけるNaive Bayesモデルの受信者動作特性（ROC）曲線をFigure 7に示す。

MLPモデルはトレーニングセットで良好な性能を示しましたが（AUC = 0.961）、テストセットでは性能が大幅に低下し（AUC = 0.742）、過学習の可能性が示唆されました。同様に、KNNモデルはテストセットにおいて限定的な識別能しか示さず（AUC = 0.718）、信頼区間も広かったことから、不安定であることが示されました。感度、特異度、正診率などの閾値依存的な指標について最適な分類閾値を決定するために、Youden indexに基づく戦略が用いられました。ROC-AUC値自体は閾値に依存しません。したがって、報告された閾値依存的な性能指標は、最適な動作点におけるモデルの挙動を反映しています。最適なYouden閾値および対応する閾値ベースの指標は、Supplementary Table 6に記載されています。全体として、Naive Bayesモデルはトレーニングセットと内部テストセットの間で比較的安定した記述的性能を示し、AUCの数値的な低下は最小限でした。

決定曲線分析

さまざまな閾値確率におけるモデルの臨床的有用性を評価するために、DCAを実施しました。DCA曲線は図8に示されています。すべてのモデルにおいて、「全員を治療する（treat-all）」および「誰も治療しない（treat-none）」戦略と比較して、特定の閾値確率の範囲で正のネットベネフィットが示されました。評価したモデルの中で、SVMが最も広い範囲で正のネットベネフィットを示し、その他のモデルについても特定の閾値範囲内で臨床的な有用性があることが示されました。

データの利用可能性：

メイン解析を支持するために使用された非識別化済みの生データはGitHubにアップロードされており、https://doi.org/10.5281/zenodo.20043331 から入手可能です。データの共有前に、すべての直接的な患者識別子は削除されました。本研究は病院の診療録に基づくレトロスペクティブな臨床研究であるため、追加の患者レベルの情報へのアクセスは、機関の倫理およびプライバシー要件により制限されています。合理的な要求があり、かつ機関の倫理委員会の承認が得られた場合に限り、責任著者から追加の非識別化データを提供できる可能性があります。再現性を支持するため、統計解析スクリプト、MLモデルのトレーニングコード、および図表作成コードを補足ファイルとして提供しています。

図1: 周術期データに基づくCIEリスクモデリングのワークフロー。(A) CIEのメカニズムと造影剤量対eGFR比（CGR）の算出。(B) データの統合およびLASSOを用いた特徴量選択。(C) MLモデルの開発と比較。内部テストセットにおいてNaive Bayesが最高の数値的AUC（AUC ≈ 0.95）を示している。略語：CIE = contrast-induced encephalopathy（造影剤誘発性脳症）、CGR = contrast volume-to-eGFR ratio（造影剤量対eGFR比）、eGFR = estimated glomerular filtration rate（推算糸球体濾過量）、AUC = area under the curve（曲線下面積）。本図は著者らの臨床データより作成され、模式図はMicrosoft PowerPointのアイコンを修正して著者らが作成した。こちらをクリックして、この図の拡大版を表示してください。

図 2: 患者の選定およびコホートの割り当て。 患者のスクリーニング、適格性の評価、除外基準、およびコホートへの割り当てを示すフローチャート。最初に合計225人の患者が評価された。30歳から80歳までであること、完全な臨床データがあること、術後3日以内に頭部CT撮影が行われていることなどの包含基準を適用した後、190人の患者が適格となった。急性脳梗塞、慢性腎臓病ステージ ≥ G4 (eGFR < 30 mL/min/1.73 m²)、重度の心血管疾患、血管内治療の未施行、重度の神経学的欠損 (modified Rankin Scaleスコア ≥ 4)、またはデータの不備に基づき、患者は除外された。最終的に161人の患者が組み込まれ、トレーニングコホート (n = 128) と内部テストコホート (n = 33) に8:2の比率でランダムに分けられた。略語：CT = コンピュータ断層撮影、eGFR = 推算糸球体濾過量、CKD = 慢性腎臓病、mRS = modified Rankin Scale。こちらのリンクをクリックして、この図の拡大版を表示してください。

図 3: CIE患者における連続造影剤なしCT画像。(A>) 手技前のベースラインCT。(B>) 症状発現時のCT。右頂葉に皮質高吸収域（矢印）が認められる。(C>) 術後1日目のCT。部分的な改善が認められる。(D>) 術後2日目のCT。さらなる改善が認められる。こちらのリンクをクリックして、この図の拡大版を表示してください。

図 4: LASSOに基づく特徴量選択。(A>) 最小MSEに基づいて最適なλを決定するために使用した10分割交差検証曲線。(B>) log(λ)に対してプロットした候補変数の係数プロファイルであり、正則化強度の増加に伴う変数係数の変化を示している。略語：LASSO = least absolute shrinkage and selection operator；λ = 正則化パラメータ；MSE = 平均二乗誤差。こちらのリンクをクリックして、この図の拡大版を表示してください。

図5: 選択された変数の係数。LASSO選択後に保持された変数の係数を示す棒グラフ。正の係数は正の相関を、負の係数は逆相関を示す。こちらのリンクをクリックして、この図の拡大版を表示してください。

図 6: 5つの機械学習モデルにおける訓練精度とテスト精度。訓練セットおよびテストセットにおける5つの機械学習モデル（Naive Bayes、SVM、KNN、LightGBM、MLP）の精度。略語：SVM = サポートベクターマシン、KNN = k近傍法、LightGBM = Light Gradient Boosting Machine、MLP = 多層パーセプトロン。ここをクリックして、この図の拡大版を表示してください。

図 7: Naive BayesモデルのROC曲線。トレーニングコホートおよび内部テストコホートにおける受信者動作特性曲線と、それに対応する曲線下面積（AUC）値。略語：ROC = receiver operating characteristic、AUC = area under the curve。こちらのリンクをクリックして、この図の拡大版を表示してください。

図 8: 決定曲線分析。「すべて治療」および「誰も治療しない」戦略と比較した、異なるモデルの閾値確率における正味の便益を示すDCA。網掛け部分は、モデルが「すべて治療」および「誰も治療しない」の両方の戦略と比較して、正の正味の便益を得た閾値確率の範囲を示す。略語：DCA = 決定曲線分析（decision curve analysis）。こちらのリンクをクリックして、この図の拡大版を表示してください。

補足図1：内部テストコホートにおけるナイーブベイズモデルの混同行列。この行列は、選択した分類しきい値における正しく分類されたサンプル数および誤って分類されたサンプル数を示している。こちらのリンクからファイルをダウンロードしてください。

補足図2：内部テストコホートにおけるSVMモデルの混同行列。この行列は、選択した分類しきい値における正しく分類されたサンプル数と誤って分類されたサンプル数を示しています。こちらをクリックしてファイルをダウンロードしてください。

補完図 3：内部テストコホートにおけるKNNモデルの混同行列。この行列は、選択した分類しきい値において正しく分類されたサンプル数および誤って分類されたサンプル数を示しています。こちらをクリックしてファイルをダウンロードしてください。

補足図 4：内部テストコホートにおける LightGBM モデルの混同行列。この行列は、選択した分類しきい値における正解および不正解に分類されたサンプル数を示しています。こちらのリンクからファイルをダウンロードしてください。

補足図 5：内部テストコホートにおけるMLPモデルの混同行列。この行列は、選択した分類しきい値における正しく分類されたサンプル数および誤って分類されたサンプル数を示している。こちらをクリックしてファイルをダウンロードしてください。

特性	CIE ( n = 12 )	非CIE ( n = 149 )	p 値
人口統計学的特性
年齢 (years), 中央値 (IQR)	67 (62.5–69.0 )	63 ( 55.0–70.0 )	0.194
男性, n (%)	9 (75.0)	105 (70.5)	1.000
体重 (kg), 中央値 (IQR)	65 (55.0–70.0)	70 (60.0–77.5)	0.160
併存疾患, n (%)
高血圧	7 (58.3)	102 (68.5)	0.526
糖尿病	4 (33.0)	57 (38.3)	1.000
冠動脈性心疾患	2 (16.7)	23 (15.4)	1.000
生活習慣, n (%)
アルコール摂取	7 (58.3)	78 (52.3)	0.770
喫煙状況	7 (58.3)	59 (39.6)	0.233
検査値, 中央値 (IQR)
血清クレアチニン (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
総コレステロール (mmol/L)	3.3 (3.0–4.4)	3.4 (2.9–4.1)	0.775
トリグリセリド (mmol/L)	1.8 (1.2–2.1)	1.2 (0.8–1.6)	0.017
手技特性
手技の種類, n ( % )			<0.001
- ステント血管形成術	7 (58.3)	146(98.0)
- 塞栓術	5 (41.7)	3 (2.0)
病変部位, n (%)			<0.001
- 後方循環系	7 (58.3)	9 (6.0)
- 前方循環系	5 (41.7)	140 (94.0)
造影剤の種類, n (%)			0.982
- 第2世代	6 (50.0)	75 (50.3)
- 第3世代	6(50.0)	74 (49.7)
総造影剤量 (mL), 中央値 (IQR)	200 (188.0–200.0)	165 (155.0–180.0)	0.005
手技時間 (min), 中央値 (IQR)	78.5 (52.5–124.5)	50 (47.0–57.0)	0.008
新規指標
CGR, 中央値 (IQR)	2.35 (2.17–2.70)	1.63 (1.40–1.85)	<0.001

表1：患者のベースライン臨床特性。CIE群と非CIE群の間で、患者の人口統計学的、臨床的、検査医学的、および処置に関連する特性を比較した。連続変数は平均値 ± 標準偏差または中央値（四分位範囲）で示し、カテゴリー変数は件数およびパーセンテージで示した。群間の統計的比較は、適切なパラメトリックまたはノンパラメトリック検定を用いて行った。略語：CIE = 造影剤誘発性脳症、eGFR = 推算糸球体濾過量、CGR = 造影剤量対eGFR比、IQR = 四分位範囲、SD = 標準偏差。

モデル 名	正解率	AUC	95% CI	感度	特異度	データセット
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	学習用
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	テスト用
SVM	0.992	0.999	0.997–1.000	1.0	0.992	学習用
SVM	0.879	0.935	0.796–1.000	1.0	0.871	テスト用
KNN	0.891	0.969	0.941–0.997	1.0	0.881	学習用
KNN	0.939	0.718	0.194–1.000	0.5	0.968	テスト用
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	学習用
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	テスト用
MLP	0.914	0.961	0.908–1.000	0.9	0.915	学習用
MLP	0.970	0.742	0.228–1.000	0.5	1.000	テスト用

表 2：各モデルの性能比較。 異なるMLモデルの予測性能を、トレーニングデータセットおよび内部テストデータセットにおける正解率（accuracy）、曲線下面積（AUC）、95%信頼区間（CI）、感度（sensitivity）、特異度（specificity）を用いて評価した。略語：CI = 信頼区間。

補足表1：モデル構築前の欠損データ評価の要約。モデル構築前におけるすべての候補予測変数の欠損値の要約。組み込まれた変数に欠損値は認められなかったため、補完処理は行わなかった。こちらをクリックしてファイルをダウンロードしてください。

補足表 2：分析データセットの変数辞書。ML分析に含まれる臨床、検査、および処置に関連する変数の定義、コーディング方法、変数カテゴリー、および説明。こちらのリンクからファイルをダウンロードしてください。

補足表3：MLモデルのハイパーパラメータ探索空間および選択されたパラメータ。各MLアルゴリズムのモデルチューニング中に得られたハイパーパラメータの候補範囲および最適化されたパラメータをまとめている。こちらのリンクからファイルをダウンロードしてください。

補足表 4：CGRとその個別構成要素の比較ROC解析受信者動作特性（ROC）解析を行い、CIE予測におけるCGRとその個別構成要素の予測性能を比較した。こちらのリンクをクリックしてファイルをダウンロードしてください。

補足表5： LASSO係数に基づく定量的特徴量のランキング。LASSO回帰後の係数値に従って選択された変数をランキングし、予測モデルにおける各変数の相対的な寄与度と関連の方向性を示した。こちらをクリックしてファイルをダウンロードしてください。

補完表 6： トレーニングコホートで決定されたYouden閾値および対応する分類性能指標。 各モデルの最適閾値は、Youden指数を用いてトレーニングコホートのみで決定され、その後固定して内部テストコホートに適用された。内部テストコホートにおける精度、感度、特異度は、これらの固定閾値を用いて算出された。こちらをクリックしてファイルをダウンロードしてください。

ディスカッション

CIEは、造影剤への曝露直後に発生する急性神経機能不全を特徴とする、神経インターベンション手技後の稀ではあるが潜在的に深刻な合併症である。この病態は通常可逆的であるが、症例によっては持続的な神経学的欠損や、時には生命を脅かす結果につながることがあり、早期のリスク特定が重要である^17,18,19,20。しかし、CIEの根底にある病態生理学的メカニズムは複雑で多因子であり、患者固有の要因、造影剤の特性、および手技上の特徴が相互に作用している^{9,10,21,22,23,24}。このような複雑さがあるため、単一の臨床変数や経験的な判断のみに基づいて正確な周術期リスク評価を行うことは極めて困難である。

本研究では、脳血管介入術を受ける患者におけるCIEのリスクを予測するため、5つのMLモデルを構築し評価しました。記述的な性能比較の結果、本研究において最もバランスの取れた記述的性能を示したのはNaive Bayesモデルでした。モデルの識別能に関しては、内部テストコホートにおいてNaive Bayesモデルが最高の数値的AUC（AUC = 0.952; 95% CI: 0.843–1.000）を示し、LightGBM（AUC = 0.944; 95% CI: 0.822–1.000）、SVM（AUC = 0.935; 95% CI: 0.796–1.000）、MLP（AUC = 0.742; 95% CI: 0.228–1.000）、およびKNNアルゴリズム（AUC = 0.718, 95% CI: 0.195–1.000）を上回りました。モデルのAUC間での正式な対比較の統計的検定は行われていないため、これらの差はモデルの優位性を示す決定的な根拠ではなく、記述的なものとして解釈されるべきです。注目すべき点として、KNNとMLPはトレーニングセットにおいて良好な性能（AUCはそれぞれ0.969および0.961）を示しましたが、テストセットでは性能が大幅に低下しており、過学習の可能性が示唆されました²⁵。対照的に、Naive Bayesモデルはトレーニングコホートと内部テストコホートの間で同様の記述的AUC値を維持しており（AUCの差 = 0.009）、このデータセットにおいて比較的安定した記述的性能を持つことが示唆されました。ただし、内部テストコホートには33名の患者しか含まれず、CIEのイベント数も非常に限定的であるため、この見かけ上の安定性は慎重に解釈する必要があります。

実用的な観点から見ると、ナイーブベイズの比較的単純な確率構造は、特にアウトカムイベント数が限られている小規模な臨床データセットに適している可能性があります。本研究において、ナイーブベイズモデルは、トレーニングコホートと内部テストコホートの間で比較的バランスの取れた記述的性能を示しました。しかし、内部テストコホートの規模が小さく、CIEイベントが極めて少なかったため、この見かけ上の安定性は慎重に解釈されるべきであり、外部検証が必要です。本データセットにおけるナイーブベイズモデルの比較的良好な記述的性能は、その単純な確率構造と、特徴量の独立性の仮定の下での小規模サンプル設定への適合性に関連している可能性があります^14,15。対照的に、MLPやLightGBMなどのより複雑なモデルは、サンプル数が限られた条件下では過学習を起こしやすく、それによって汎化性能が低下します。これらの知見はまた、神経インターベンションのような高リスクで臨床志向の研究分野においては、複雑なアルゴリズムや単一の性能指標の絶対的な優位性を盲目的に追求するのではなく、安定性、再現性、および臨床的実現可能性をより重視してモデルを選択すべきであることを示唆しています。DCAでは、ナイーブベイズモデルが選択された閾値確率においてネットベネフィットを提供し得ることが示されましたが、この結果はあくまで探索的なものであり、外部検証が必要です。さらに、その単純な構造、効率的な計算、および解釈可能性により、将来的に探索的な周術期リスク層別化モデルとしての評価が期待されますが、臨床導入の前には外部検証が不可欠です。臨床的な観点から見ると、本研究におけるCIEの発生率は7.5%であり、先行報告で一般的に記録されている2%–5%よりも高い値でした⁷。この乖離は、主に研究対象集団の極めて限定的な性質に起因しています。本コホートは、動脈瘤塞栓術などの複雑な神経インターベンション手技を受けた脳血管疾患患者に焦点を当てています。超選択的造影や局所的な高用量停滞など、これらの手技に伴う造影剤投与パターンの特異性と、手技時間の延長は、すべてCIEのリスク因子として認識されています^9,10,26。さらに、患者のベースラインリスクが高いことが、全体の発生率をさらに押し上げています。本研究の結果は、後方循環系の病変および塞栓術がCIEの強力な予測因子であることを強調しています。解剖学的に、後方循環系（椎基底動脈系）は脳幹、小脳、および後頭葉に血液を供給しています。後頭葉は造影剤毒性に対して極めて高い感受性を示し、これがCIE患者に皮質盲が頻繁に見られる理由を説明しています。加えて、椎基底動脈系の血行動態特性は前方循環系とは異なっており、これが本コホートで観察された後方循環系病変とCIEとの関連を部分的に説明している可能性があります。

塞栓術の手順は通常、単純な血管形成術よりも困難であり、コイルの位置や血栓閉塞の範囲を確認するために頻回な超選択的造影が必要となります。その結果、日常的な手技と比較して、単位時間あたりの局所血管床への最大造影剤曝露量が著しく高くなります。このような強力で局所的な造影剤への曝露は、血液脳関門（BBB）破壊の生物学的に妥当な要因となる可能性がありますが、今回のレトロスペクティブ研究においてこのメカニズムを直接的に検証することはできませんでした。ベースライン特性の分析と一致して、CIE群の患者は非CIE群と比較して塞栓術の施行率が有意に高く、後方循環系の病変の割合も大きいことが示されており、手術の複雑さと病変の解剖学的部位がCIEの発生に関連している可能性が示唆されました。さらに、CIE群における手技時間の延長と総造影剤使用量の増加は、手術に関連するストレス因子の累積的な影響がCIE発症のリスクを高めることをさらに強調しています。

モデルの臨床的な解釈可能性を高めるため、本研究ではCGRを探索的な複合指標として評価した。CIEの発現リスクは、脳血管系に注入される造影剤の絶対量だけでなく、造影剤が全身循環から消失する速度とも密接に関連している。CGRは、総造影剤量とeGFRを単一の複合指標に統合し、腎排泄能に対する造影剤負荷を反映させるものである。この設計アプローチは、造影剤量とeGFRの比率²⁷など、造影剤誘発性腎症（CIN）の予測に用いられている確立された比率ベースのパラダイムに基づいており、好中球・リンパ球比（NLR）²⁸やトリグリセリド・グルコース指数（TyG）²⁹のような、疾患の潜在的な病態生理学的状態を明らかにすることを目的とした包括的なバイオマーカー構築の現在の戦略とも整合している。ヨード造影剤は、主に腎臓から元の形態のまま排泄される。腎排泄能が低下すると、ヨード造影剤への全身的な曝露が延長し、内皮細胞が造影剤に曝露される時間が増加する可能性がある。神経インターベンションの手技において、造影剤はしばしば内頸動脈または椎骨動脈を介して高濃度で脳循環に直接注入されるが、局所的な極端な浸透圧勾配がBBBの完全性を損なう可能性がある³⁰。この時点で全身性の排泄能が損なわれている場合、血中に蓄積した造影剤がBBBを介した濃度勾配を維持し続け、造影剤の脳間質腔への拡散を促進させる可能性がある。さらに、CGRは造影剤負荷と腎排泄能を統合するための臨床的に直感的な方法を提供する可能性があるが、造影剤量またはeGFR単独に対する上乗せの予測価値については、さらなる検証が必要である。したがって、CGRは周術期のCIEリスク層別化のための探索的な指標として有用であると考えられる。

本研究では、造影剤の種類（第二世代低浸透圧造影剤 vs 第三世代等浸透圧造影剤）は、CIEに対して有意な独立予測能を持たないことが示されました（p = 0.982）。この結果は、いくつかの先行報告と完全には一致しません。考えられる理由の一つとして、浸透圧以外の要因（化学的毒性や粘度など）が造影剤による神経毒性に寄与している可能性が挙げられます。ただし、この解釈は依然として推測の域を出ず、さらなる機序的な検証が必要です。この解釈は、過去の臨床的および機序的な研究によって支持されています^31,32。さらに、臨床現場において、術者が高リスク患者に対して優先的に第三世代等浸透圧造影剤を選択している可能性があり、これにより適応に関連した混交バイアスが生じ、造影剤の種類による根本的な差異が遮蔽された可能性があります。

このワークフローを適切に適用するためには、いくつかの重要なプロトコルステップを強調する必要があります。第一に、不正確なCIE分類はモデルのトレーニングと評価に直接影響するため、厳格な結果判定が不可欠です。CIEが疑われる症例は、造影剤投与と症状発現の時系列的関係、神経学的徴候、術後画像所見、および代替診断の除外を用いて評価されるべきです。第二に、これら2つの変数がCGRの算出を決定するため、総造影剤量とeGFRの正確な抽出および検証が重要です。第三に、総造影剤量とeGFRの両方を確認した後、すべての患者に対して同一のルールを用いてCGRを算出する必要があります。第四に、データリークを避けるため、特徴量選択、補完パラメータの推定、ハイパーパラメータのチューニング、およびモデルトレーニングはトレーニングコホート内でのみ実施されるべきです。最後に、CIEは稀でありイベント数も限られているため、モデルの性能は慎重に解釈し、臨床導入前に外部検証を行う必要があります³³。

このワークフローを他の設定に適用する際には、いくつかの手法の修正およびトラブルシューティング戦略を検討する必要があります。欠損データの割合が高い場合、研究者はまず欠損がランダムであるかを確認し、欠損が過剰な変数の補完は避けるべきです。CIEイベントの数が非常に少ない場合は、モデルの複雑さを軽減し、過適合を抑えるために、より単純なモデルやペナルティ付きモデルを選択することが推奨されます。別のセンターにこのワークフローを適用する場合、モデルのトレーニング前に、変数の定義、コーディングルール、eGFRの算出方法、造影剤投与量の記録方法、および画像判定基準を統一させる必要があります。内部検証または外部検証においてモデルの性能が低下した場合は、クラス不均衡、データリーク、不整合な前処理、不安定な特徴量選択、および患者ケースミックスの違いなどの潜在的な原因を調査すべきです。CIEの診断が不確実な症例については、モデル開発前に、複数の経験豊富な臨床医による判定を行い、代替診断を慎重に除外することが推奨されます。

本研究には以下の限界がある。第一に、本研究は単一施設でのレトロスペクティブな設計であり、CIEイベントの数が限られている。組み入れられた161人の患者のうち、CIEイベントが発生したのはわずか12例であり、内部テストコホートに含まれるCIE症例数も非常に少なかった（33人の患者を含む）。そのため、AUC、感度、特異度などの性能指標が不安定になりやすく、わずか1、2例の分類結果によって大きく変動する可能性がある。今後、モデルの信頼性をさらに確認するためには、多施設共同での大規模サンプルによるプロスペクティブ研究を通じた外部検証が必要である。第二に、本研究で開発したモデルは、主に手術前および手術中に収集されたルーチンの臨床変数に基づいている。将来的には、術中の造影剤キネティクスパラメータ、術後早期の画像的特徴、および血清特異的バイオマーカーをさらに統合することで、より動的かつ包括的なCIEリスク予測システムを構築できる可能性がある。第三に、CIEの発生率が低い（7.5%）ため、CIE例が12例、非CIE例が149例という顕著なクラス不均衡が生じた。この不均衡は、モデル性能指標の信頼性を低下させる可能性がある。データセットにおいて非CIEクラスが支配的である場合、正解率はモデルの性能を過大評価する可能性があり、一方で感度、特異度、陽性的中率、陰性的中率は、非常に少ないCIEイベント数に影響されるため、不安定になる可能性がある。したがって、提案したモデルは現時点では決定的な臨床意思決定ツールではなく、探索的なリスク層別化フレームワークとして見なされるべきである。本研究ではCIEイベント数が極めて限定的であったため、追加の反復交差検証やリサンプリングベースの検証は実施しなかった。また、このような分析を行っても、顕著なクラス不均衡の下では依然として不安定な推定値となる可能性がある。臨床実装の前には、多施設での外部検証およびプロスペクティブな評価が必要である。

要約すると、本研究では複数のMLモデルを系統的に比較し、今回のデータセットにおけるCIE予測において、Naive Bayesモデルが最もバランスの取れた記述性能を示すことを見出した。このモデルは周術期のリスク層別化への予備的な支援を提供し得るが、その臨床的有用性についてはさらなる検証が必要である。さらに、本研究では、「造影剤負荷と腎クリアランス」の不均衡を定量化する探索的な複合指標としてCGRを評価した。CGRはモデルにおける最も影響力のある予測因子の1つとして現れ、個別化された周術期リスク評価に有用な情報を提供する可能性がある。これらの知見は、神経インターベンション治療を受ける高リスク患者を特定するための仮説を立てるのに役立つと考えられるが、より大規模なサンプルを用いた研究および外部検証が必要である。マルチモーダル予測モデルがCIEのリスク層別化を改善し、この合併症のより精密な予防および管理を支援できるかどうかを判断するためには、今後、より大規模なサンプルを用いた研究と外部検証が不可欠である。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
電子カルテシステム	Northern Theater General Hospital	施設内臨床システム	後方視的なデータ抽出に使用 デモグラフィック変数および臨床歴変数の収集
臨床検査情報システム	Northern Theater General Hospital	施設内検査システム	後方視的な検査データの抽出に使用 血清クレアチニン、eGFR、脂質プロファイル、およびその他の検査データの収集
デジタル減算血管造影装置	Philips	Allura Xper FD 20 (Interventional Workstation R1.3.2 搭載)	日常的な臨床手技に使用 神経インターベンション手技および造影剤使用量の記録
CTスキャナー	Philips	Ingenuity CT	術後の画像評価に使用 術後頭部CT評価
OnekeyAI 構造化データ解析プラットフォーム	OnekeyAI	20240916	研究ツールとして使用。臨床的意思決定には関与せず 構造化データの前処理、モデル構築、モデル評価、および図の作成
Python	Python Software Foundation	3.7.12	オープンソースのプログラミング言語 データの前処理、統計解析、モデル開発、および可視化
scikit-learn	scikit-learn developers	1.0.2	オープンソースのPython機械学習ライブラリ LASSO、ナイーブベイズ、SVM、KNN、MLP、ROC解析、および性能指標の算出