신경중재 시술 후 조영제 유발 뇌병증의 머신러닝 예측

요약

수술 전후 데이터를 활용한 탐색적 머신러닝(ML) 프레임워크를 통해 신경중재술 후 조영제 유발 뇌병증(CIE)을 예측하는 평가를 수행하였습니다. Naive Bayes 모델이 가장 균형 잡힌 기술적 성능을 보였으며, 조영제 대비 eGFR 비율(CGR)이 개별화된 위험 평가를 위한 중요한 후보 예측 인자로 확인되었습니다.

초록

CIE는 신경중재시술 후 발생하는 드물지만 심각한 합병증으로, 이를 위한 신뢰할 수 있는 비침습적 예측 도구가 여전히 부족한 실정입니다. 본 연구의 목적은 수술 전후의 임상 및 시술 데이터를 사용하여 CIE를 예측하는 ML 모델을 개발 및 검증하고, CIE에 대한 CGR의 예측 가치를 평가하는 것이었습니다. 본 연구는 2024년 1월부터 2025년 12월까지 Northern Theater General Hospital 신경외과에서 신경중재시술을 받은 161명의 환자를 연속적으로 등록한 단일 센터 후향적 연구입니다. CIE의 잠재적 수술 전후 예측 인자는 단변량 분석과 LASSO 회귀 분석을 결합하여 식별되었습니다. 선택된 변수를 기반으로 Naive Bayes, support vector machine (SVM), k-nearest neighbors (KNN), LightGBM 및 multilayer perceptron (MLP)의 5가지 ML 모델을 훈련하고 최적화했습니다. 모델 성능은 수신자 조작 특성 곡선 아래 면적(AUC)과 결정 곡선 분석(DCA)을 통해 종합적으로 평가되었습니다. 평가된 모델 중 Naive Bayes 모델이 내부 테스트 세트에서 AUC 0.952 (95% CI: 0.843–1.000), 민감도 100%, 특이도 90.3%로 가장 우수한 기술적 성능을 보였습니다. 다만, 데이터셋의 불균형이 현저하고 내부 테스트 코호트의 규모가 작으며 CIE 이벤트 수가 매우 제한적이었기 때문에 이러한 지표들은 주의 깊게 해석되어야 합니다. DCA 결과는 선택된 임계 확률 범위에서 잠재적인 임상적 순이익이 있음을 시사했습니다. 특성 중요도 분석 결과, CGR은 본 데이터셋에서 CIE 위험과 관련된 가장 순위가 높은 잠재적 예측 인자 중 하나였습니다. 본 연구에서 평가된 Naive Bayes 모델은 신경중재시술 후 CIE의 수술 전후 평가를 위한 예비 위험 계층화 프레임워크를 제공할 수 있습니다. CGR은 중요한 예측 특성으로 나타났으며 개별화된 위험 계층화에 도움을 줄 수 있을 것입니다. 임상 적용에 앞서 추가적인 외부 검증이 필요합니다.

서론

지난 20년 동안 최소 침습적 중재 시술법은 뇌혈관 질환의 치료 패러다임을 근본적으로 변화시켰습니다¹. 높은 효능과 최소 침습성이라는 장점을 가진 신경중재술은 특정 뇌혈관 장애에 있어 중요한 치료 선택지가 되었습니다². 하지만 중재 시술의 복잡성이 증가함에 따라 시술 중 사용되는 조영제 용량과 주입 압력, 그리고 조영제 노출 시간 또한 증가하고 있습니다. 결과적으로 조영제 관련 합병증에 대한 세심한 주의와 분석이 점차 증가해 왔습니다^3,4,5,6,7. 요오드성 조영제(ICM)로 인해 유발되는 급성 일시적 신경 기능 장애인 CIE는 특히 복잡한 신경중재술에서 임상적으로 유의미한 합병증으로 점점 더 인식되고 있습니다. CIE의 전형적인 임상 증상은 보통 조영제 노출 후 수분에서 24 h 이내에 나타나며, 의식 변화(졸음, 섬망 또는 혼수 등), 피질맹, 국소 신경학적 결손(편마비 또는 실어증 등) 및 발작을 포함합니다^4,5,6. 대부분의 CIE 사례는 자가 제한적이며 증상이 보통 48에서 72 h 이내에 호전되지만, 일부 환자는 지속적인 신경학적 손상을 경험할 수 있습니다. 중증 사례의 경우 심각한 뇌부종으로 인해 사망에 이를 수도 있습니다^4,7. 이러한 결과의 예측 불가능성은 수술 전후 기간 동안 조기 위험 예측을 위한 신뢰할 수 있는 도구 개발의 시급성을 강조합니다.

임상 데이터의 양이 계속해서 증가함에 따라, 다중공선성을 보이는 고차원 의료 데이터를 처리할 때 기존의 통계적 방법들은 점점 더 불충분해지고 있습니다. 또한, 단변량 분석이나 단순 로지스틱 회귀 모델은 변수 간의 복잡하고 비선형적인 상호작용을 포착하지 못하는 경우가 많습니다. ML은 이러한 과제를 해결하기 위한 새로운 차원을 제공합니다⁸. SVM, 그래디언트 부스팅 머신(LightGBM), MLP와 같은 ML 알고리즘은 고차원 특징 공간에서 잠재적 패턴을 자동으로 식별하고 강력한 예측 능력을 갖춘 비선형 모델을 구축할 수 있습니다^8,9,10,11. 그러나 예측 정확도를 추구하는 과정에서, 해석 가능성이 부족한 이러한 알고리즘의 "블랙박스"적 특성은 의료 의사 결정의 신뢰성에 대한 우려를 자주 불러일으킵니다^12,13. 이와 대조적으로, Naive Bayes 알고리즘은 단순한 확률론적 논리와 내재된 해석 가능성을 통해 소규모 표본 임상 연구에서 독특한 장점을 보여줍니다^14,15. Naive Bayes 모델은 각 예측 변수가 결과 사건에 기여하는 사후 확률을 평가함으로써 예측 성능을 보장할 뿐만 아니라, 임상의에게 직관적인 의사 결정 지원 통찰력을 제공합니다. 나아가, 조영제 부하량과 개별 제거 능력 사이의 불균형을 정량적으로 평가하기 위해, 본 연구에서는 조영제-eGFR 비율(CGR)을 핵심 특징으로 혁신적으로 도입하였습니다. 신장 기능 예비력이 낮은 환자의 경우, 중간 정도의 조영제 용량만으로도 매우 높은 CGR 값이 나타날 수 있으며, 이는 CIE에 대한 민감도를 높일 수 있습니다. CGR의 추가적인 예측 가치는 더 많은 검증이 필요하지만, 조영제 부담과 신장 제거 능력을 통합한 임상적으로 직관적인 복합 지표를 제공할 수 있습니다. 본 연구는 이러한 통합 바이오마커를 포함함으로써 병태생리학적 실재를 더 밀접하게 반영하는 예측 프레임워크를 개발하는 것을 목표로 하였습니다.

요약하자면, 본 연구는 수술 전후의 임상 및 시술 변수를 사용하여 ML 기반의 CIE 예측 모델을 개발하고 검증하는 것을 목표로 하였습니다¹⁶. 구체적인 목적은 다음과 같습니다: (1) 탐색적 복합 지표로서 CGR을 도입하고 평가하는 것, (2) 다섯 가지 ML 모델인 Naive Bayes, SVM, KNN, LightGBM, MLP를 구축하고 성능을 비교하는 것, (3) 최적의 모델을 식별하는 것입니다. CIE 발생 건수가 제한적이었으므로, 모델 비교는 탐색적이며 가설 생성 단계로 간주되었습니다. 궁극적으로 본 연구는 신경중재 시술에서 CIE에 대한 예비적 위험 층화 프레임워크를 제공할 수 있으나, 외부 검증 없이 단독적인 임상 의사결정 도구로 사용해서는 안 됩니다. CGR의 개념적 기초와 조영제 노출 및 신장 배설과의 관계는 그림 1A에 예시되어 있습니다. 데이터 전처리, 훈련/테스트 세트 분할, 특성 선택 및 모델 개발을 포함한 전체 연구 워크플로우는 그림 1B에 요약되어 있습니다. 다섯 가지 ML 모델의 비교 평가 프레임워크는 그림 1C에 제시되어 있습니다.

프로토콜

본 연구 프로토콜은 북부전구 종합병원 윤리위원회(승인 번호 Ethics Y (2026) 75)의 심의 및 승인을 받았습니다. 임상 데이터는 2024년 1월부터 2025년 12월 사이에 치료받은 환자들로부터 도출되었으나, 본 연구는 기존 임상 기록에 대한 후향적 분석으로 수행되었습니다. 2026년에 획득한 윤리 승인은 이전에 수집된 임상 데이터의 후향적 추출, 비식별화, 분석 및 발표 내용을 포함합니다. 윤리 승인 전에는 어떠한 전향적 중재나 환자 등록도 수행되지 않았습니다. 후향적 관찰 연구 설계로 인해 서면 동의서 작성 요구 사항은 면제되었습니다. 모든 절차는 헬싱키 선언을 준수하여 수행되었으며, 모든 임상 데이터는 분석 전 비식별 처리되었습니다. 본 분석은 승인된 후향적 신경중재 임상 데이터 연구 프로젝트의 일부로 수행되었습니다. 아래에 설명된 절차에 필요한 재료 및 장비는 재료 표에 요약되어 있습니다.

환자 등록 및 CIE 결정

2024년 1월부터 2025년 12월 사이에 Northern Theater Command 종합병원 신경외과에서 치료받은 환자들을 대상으로 전자 의무 기록 시스템을 조회하여 잠재적 적격 환자를 식별하였습니다. 1차 검색은 입원 날짜, 진료과, 뇌혈관 질환 진단 및 신경중재 시술 기록으로 제한되었습니다. 상세한 환자 선별 및 코호트 할당 워크플로우는 그림 2에 도식화되어 있습니다. 다음 기준을 모두 충족하는 환자를 포함 대상으로 선정하였습니다: (1) 연령 30~80세; (2) 신경중재적 평가 또는 치료가 필요한 뇌혈관 질환 진단; (3) 완전한 임상 기록 및 실험실 검사 결과 확보; (4) 수술 후 3일 이내에 시행한 머리 CT 검사 완료.

임상 또는 영상 데이터가 불완전하거나, 혈관 내 중재술을 받지 않았거나, 술 전 심각한 신경학적 결손(modified Rankin Scale 점수 ≥4)이 있거나, 술 전 확산 강조 영상에서 급성 뇌경색이 나타났거나, Kidney Disease: Improving Global Outcomes (KDIGO) 기준에 따라 G4 단계 이상의 만성 신장 질환이 있거나, 심각한 심혈관 질환이 있는 환자는 제외되었습니다. 선정 및 제외 기준은 순차적으로 적용되었습니다. 1차 전자 검색 후, 각 후보 기록을 수동으로 검토하여 적격성을 확인하였으며, 해당되는 경우 제외 사유를 기록하였습니다. 스크리닝 후, 적격한 환자들을 8:2의 비율로 훈련 코호트(n = 128)와 테스트 코호트(n = 33)에 무작위로 배정하였습니다. 두 코호트 간에 CIE 및 non-CIE 사례의 분포를 일정하게 유지하기 위해 층화 무작위 추출법을 사용하였습니다.

CIE의 진단은 주로 증상 발현과 뇌혈관 중재 시술 간의 시간적 연관성과 배제적 영상 평가를 기반으로 이루어졌습니다. 두 명의 독립적인 뇌혈관 중재 전문의가 모든 의심 사례에 대해 수술 후 임상 기록, 증상 발현 시간, 신경학적 징후 및 수술 후 영상 소견을 검토하였습니다. 의견 불일치는 합의에 도달할 때까지 논의를 통해 해결하였습니다. 신경중재 시술 완료 후 24시간 이내에 새로 발생한 피질맹, 의식 변화(졸음, 섬망 또는 혼수 포함), 발작, 혹은 편마비나 실어증과 같은 국소 신경학적 결손이 나타난 경우 CIE에 부합하는 것으로 간주하였습니다.

증상 발현 후, 임상 경과와 함께 수술 후 CT 또는 MRI 영상을 검토하여 유사한 신경학적 징후를 유발할 수 있는 다른 원인들을 배제하였다. 수술 후 머리 CT는 기관의 표준 비조영 두개골 CT 프로토콜을 사용하여 수행되었다. 주요 획득 파라미터는 관전압 80 kVp, 관전류 260 mA, 슬라이스 두께 0.5 mm 및 표준 축상 재구성(axial reconstruction)을 포함하였다. 영상은 숙련된 임상의가 뇌 및 골 윈도우(brain and bone windows)에서 검토하였다. 감별 진단 시 급성 두개내 출혈, 지주막하 출혈, 뇌내 출혈, 새로 발생한 광범위 뇌경색, 발작 관련 변화, 감염 및 대사 장애를 고려하였다. 증상 발현 후 CT 검사에서는 일반적으로 출혈성 병변과 유사하게 피질, 피질하 영역 또는 지주막하 공간을 침범하는 국소적 또는 미만성 뇌부종과 고밀도 음영이 관찰되었다. MRI 소견에서는 주로 측두-두정-후두 피질을 침범하는 피질 부종이 나타났다. 그러나 일부 환자의 경우, 일치하는 임상 증상에도 불구하고 CT 또는 MRI 검사에서 뚜렷한 이상 소견이 나타나지 않았다.

수술 전후 변수 수집 및 CGR 구축

연령, 성별, 체중을 포함한 일반적인 인구통계학적 데이터는 전자 의무 기록 시스템의 구조화된 필드에서 추출하였습니다. 흡연력, 음주력, 고혈압, 당뇨병 및 관상동맥성 심장 질환을 포함한 임상 병력 변수는 입원 기록, 과거 병력 기록 및 퇴원 진단명에서 추출하였으며, 일관성을 확인하기 위해 교차 검증하였습니다. 실험실 데이터는 실험실 정보 시스템에서 추출하였습니다. 각 환자의 경우, 입원 후 신경중재 시술 전에 채취한 첫 번째 정맥혈 샘플을 사용하였습니다. 추출된 실험실 변수에는 혈청 크레아티닌, 추정 사구체 여과율(eGFR), 총 콜레스테롤 및 중성지방 수치가 포함되었습니다. eGFR은 만성 콩팥병 역학 협력 연구(CKD-EPI) 크레아티닌 기반 공식으로 계산되었으며, 병원 실험실 정보 시스템에서 얻었습니다.

시술의 복잡성, 조영제 노출 및 병변 위치가 신경중재시술 중 혈뇌장벽 파괴와 조영제 잔류에 영향을 미칠 수 있으므로, 수술 전후의 시술 변수 또한 예측 프레임워크에 포함되었습니다. 시술 관련 변수에는 병변 위치, 시술 유형, 시술 시간, 조영제 유형 및 총 조영제 투여량이 포함되었습니다. 병변 위치와 시술 유형은 수술 기록지와 혈관 조영 기록을 통해 결정되었습니다. 시술 시간은 동맥 천자부터 신경중재시술 완료까지의 시간으로 정의되었습니다. 총 조영제 투여량은 시술 시작부터 종료까지 투여된 요오드화 조영제의 누적 부피로 정의되었습니다. 본 연구에 사용된 조영제는 iodixanol (320 mg of iodine/mL)을 포함한 비이온성 ICA였으며, 기관의 임상 관행에 따라 투여되었습니다. 본 연구에 포함된 모든 신경중재시술은 연구 센터의 숙련된 신경중재 팀에 의해 디지털 감영 혈관 조영술(DSA) 유도 하에 수행되었습니다. 모든 시술은 대퇴동맥 접근법을 통해 수행되었습니다. 중재술 동안 환자들은 heparin을 이용한 수술 중 항응고 요법을 받았으며, 활성화 응고 시간(ACT)은 250–300 s의 목표 범위 내로 유지되었습니다. 시술 전 과정 동안 활성 징후가 지속적으로 모니터링되었습니다.

동맥류 색전술, 혈관 성형술 및 스텐트 삽입술을 포함한 치료적 중재술은 병변의 특성과 시술자의 판단에 따라 수행되었습니다. 시술 요구 사항에 따라 적절한 마이크로카테터, 코일, 스텐트 또는 풍선을 선택하였습니다. 혈관 조영 영상 촬영 및 중재술 동안 조영제는 고압 주입 또는 수동 일정 속도 주입을 통해 투여되었습니다. 조영제의 종류와 총 조영제 투여량은 시술 기록에서 추출하였으며, 가능한 경우 마취 또는 간호 기록과 교차 확인하였습니다. 조영제 투여량 정보가 일치하지 않거나 불완전한 기록은 최종 분석 데이터 세트에 포함시키기 전 수동으로 검토하였습니다.

절차 소요 시간, 치료 개입 유형, 장비 사용 및 조영제 투여 기록을 포함한 모든 절차 관련 변수를 분석 전 체계적으로 검토하여 완전성과 일관성을 확인하였습니다. 조영제 부하와 신장 제거 능력 사이의 불균형을 정량적으로 평가하기 위해, CGR을 핵심 예측 변수로 설정하고 다음 식에 따라 계산하였습니다:

(1)

총 조영제 양은 mL로 기록하였으며, eGFR은 mL/min/1.73 m²로 기록하였다. CGR 계산에 사용된 eGFR 값은 입원 후 신경중재시술 전 처음으로 채취한 정맥혈 샘플에서 얻은 수술 전 eGFR 값이다. 각 환자에 대해 총 조영제 양과 eGFR을 모두 확인한 후 CGR을 계산하였다. 분자는 mL 단위의 총 조영제 양이고, 분모는 mL/min/1.73 m² 단위의 eGFR이다. 모델 개발 전 모든 환자에게 동일한 계산 규칙을 적용하였다.

특성 선택 및 ML 워크플로우

분석의 강건성을 보장하기 위해, 모든 임상 및 실험실 변수는 분석 전 체계적인 품질 관리 절차를 거쳤습니다. 모델 개발 전 각 후보 변수에 대해 결측치 비율을 산출하였습니다. 최종 분석 데이터셋에서 포함된 예측 변수 및 결과 라벨 중 결측값은 관찰되지 않았으며, 따라서 결측으로 인해 제외된 변수는 없었고 다중 대치법 또한 필요하지 않았습니다. 결측 데이터에 대한 상세 요약은 부록 표 1에 제공되어 있습니다.

모든 후보 예측 변수는 CIE 발생과의 연관성을 평가하기 위해 처음에 단변량 분석을 사용하여 평가되었습니다. 통계 방법은 데이터의 분포 특성에 따라 선택되었습니다. 정규 분포를 보이는 변수는 평균 ± 표준편차로 표시하였으며, 독립 표본 t-검정을 사용하여 비교하였습니다. 비정규 분포를 보이는 변수는 중앙값(사분위수 범위, IQR)으로 표시하였으며, Mann–Whitney U 검정을 사용하여 분석하였습니다. 범주형 변수는 빈도와 백분율로 제시하였으며, 카이제곱 검정 또는 Fisher의 정확 검정을 사용하여 분석하였습니다. 통계적 유의성은 p < 0.05로 정의하였습니다.

모델 개발 전, 전체 데이터셋을 8:2의 비율로 훈련 코호트와 테스트 코호트로 무작위 분할하였습니다. 과적합을 최소화하고 다중공선성을 줄이기 위해, 10겹 교차 검증과 결합된 LASSO(least absolute shrinkage and selection operator) 회귀 분석을 적용하여 특성 선택을 수행하였습니다. 데이터 누수를 방지하기 위해 특성 선택, 하이퍼파라미터 튜닝 및 모델 개발은 훈련 코호트만을 사용하여 진행하였습니다. 내부 테스트 코호트는 결측치 대체 파라미터 추정, 특성 선택, 하이퍼파라미터 튜닝 또는 모델 훈련 과정에 사용되지 않았으며, 최종 성능 평가를 위해 단 한 번만 사용되었습니다. 하이퍼파라미터 최적화는 훈련 코호트 내에서 10겹 교차 검증을 포함한 그리드 탐색 전략을 사용하여 수행되었습니다. 구체적으로, 훈련 코호트를 서로 배타적인 10개의 하위 집합으로 무작위 분할하였습니다. 각 반복 과정에서 9개의 하위 집합은 모델 훈련에 사용되었고, 나머지 하나의 하위 집합은 검증에 사용되었습니다. 이 과정을 10회 반복하여 각 하위 집합이 정확히 한 번씩 검증 코호트의 역할을 하도록 하였습니다.

모든 계산 분석은 Python 환경에서 수행되었습니다. ML 모델 개발 및 평가는 scikit-learn을 사용하여 수행되었습니다. 데이터 전처리, 특성 선택, 모델 학습, 성능 평가 및 DCA에 사용된 분석 스크립트는 보충 코드 파일로 제공되었습니다. 모델 구현을 위해, LASSO 회귀에서 선택된 특성들이 모든 후보 분류기의 입력 변수로 사용되었습니다. 연속 변수는 학습 코호트 내에서 z-score 정규화를 사용하여 표준화되었으며, 동일한 스케일링 파라미터가 내부 테스트 코호트에 적용되었습니다. 범주형 변수는 미리 정의된 코딩 체계에 따라 인코딩되었으며, 변수 정의 및 코딩 체계는 Supplementary Table 2에 제공되어 있습니다. Gaussian Naive Bayes, SVM, KNN, LightGBM 및 MLP의 다섯 가지 분류기가 구현되었습니다. SVM의 경우 커널 유형, 규제 파라미터 C 및 커널 계수 gamma를 튜닝했습니다. KNN의 경우 이웃 수와 거리 가중치 전략을 튜닝했습니다. LightGBM의 경우 추정기 수, 학습률, 최대 트리 깊이 및 리프 수를 튜닝했습니다. MLP의 경우 은닉층 구조, 활성화 함수, 규제 파라미터 및 학습률을 튜닝했습니다. Gaussian Naive Bayes는 지정된 분산 평활화(variance smoothing) 설정을 사용하여 구현되었습니다. 각 모델의 최적 하이퍼파라미터 조합은 학습 코호트 내의 교차 검증 성능에 따라 선택되었습니다. 각 모델에 대해 선택된 최종 최적화 하이퍼파라미터 조합은 Supplementary Table 3에 요약되어 있습니다. 하이퍼파라미터 선택 후, 각 최종 모델은 전체 학습 코호트에 대해 다시 적합(refitted)되었으며 내부 테스트 코호트에서 한 번 평가되었습니다.

모델 성능 비교

선택된 예측 변수를 기반으로 5가지 ML 모델을 개발하고 비교하였습니다. 모델 성능은 수신자 작동 특성 곡선 아래 면적(AUC), 95% 신뢰 구간(95% CI), 민감도, 특이도 및 정확도를 사용하여 훈련 코호트와 테스트 코호트 모두에서 평가되었습니다. 서로 다른 모델의 판별 성능을 비교하기 위해 수신자 작동 특성 곡선을 생성하였습니다. 각 모델의 최적 분류 임계값은 Youden 지수를 사용하여 오직 훈련 코호트 내에서만 결정되었습니다. 이렇게 도출된 임계값은 고정되었으며, 임계값 의존적 성능 지표를 계산하기 위해 내부 테스트 코호트에 변경 없이 그대로 적용되었습니다.

결정 곡선 분석

DCA는 다양한 임계 확률 범위에서 각 모델의 순 이익을 계산하고, 모델 기반 전략을 모든 환자를 치료하는 전략 및 아무 환자도 치료하지 않는 전략이라는 두 가지 기본 전략과 비교하여 수행되었습니다. DCA는 판별 성능과 수술 전후 의사결정 설정에서의 잠재적 임상 적용 가능성을 동시에 평가할 수 있기 때문에 선택되었습니다. 재현성을 높이기 위해 전체 워크플로우는 다음과 같은 순서로 수행되었습니다: 전자 의무 기록 시스템을 통한 환자 식별, 선정 및 제외 기준 적용, 두 명의 독립적인 전문의에 의한 CIE 판정, 인구통계학적 특성, 임상 병력, 실험실 검사 및 시술 관련 변수의 추출 및 교차 확인, CGR 계산, 결측치 평가 및 훈련-테스트 코호트 분할, 훈련 코호트 내 LASSO 기반 특징 선택, 10-fold 교차 검증을 통한 하이퍼파라미터 튜닝, 전체 훈련 코호트에서의 최종 모델 재적합, 내부 테스트 코호트 평가, ROC 기반 성능 평가, Youden-index 임계값 결정, 그리고 DCA.

결과

환자 등록 및 CIE 결정

신경중재시술을 받은 총 161명의 환자가 본 연구에 포함되었으며, 그 중 12명(7.5%)에서 CIE가 발생하였고 149명(92.5%)에서는 발생하지 않았습니다. 상세한 환자 스크리닝 및 그룹화 과정은 그림 2에 나타나 있습니다. CIE 진단은 증상 발현과 신경중재시술 간의 시간적 연관성과 배제적 영상 소견을 종합하여 확정하였습니다. CIE의 대표적인 신경영상 소견은 그림 3A–D에 제시되어 있습니다.

두 그룹의 기초 인구통계학적, 임상적, 실험실 및 절차적 특성은 Table 1에 요약되어 있습니다. 연령, 성별 분포 또는 체중 측면에서 CIE 그룹과 비 CIE 그룹 사이에 유의미한 차이는 관찰되지 않았습니다...

토론

CIE는 신경중재시술 후 발생하는 드물지만 잠재적으로 심각한 합병증으로, 조영제 노출 직후에 나타나는 급성 신경학적 기능 장애를 특징으로 합니다. 이 상태는 일반적으로 가역적이지만, 일부 사례에서는 지속적인 신경학적 결손이나 심지어 생명을 위협하는 결과로 이어질 수 있어 조기 위험 식별의 중요성이 강조됩니다^17,18,19,20. 그러나 CIE의 근저에 있는 병태생리학적 메커니즘은 복잡하고 다요인적이며, 환자별 요인, 조영제 특성 및 시술 특성 간의 상호작용이 관여합니다^{9,10,21,22...}

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
전자 의료 기록 시스템	Northern Theater General Hospital	기관 임상 시스템	회고적 데이터 추출에 사용 인구통계학적 및 임상 병력 변수 수집
실험실 정보 시스템	Northern Theater General Hospital	기관 실험실 시스템	회고적 실험실 데이터 추출에 사용 혈청 크레아티닌, eGFR, 지질 프로필 및 기타 실험실 데이터 수집
디지털 감영 혈관 조영 시스템	Philips	Allura Xper FD 20 (Interventional Workstation R1.3.2 포함)	일상적인 임상 절차 중에 사용 신경중재 시술 및 조영제 사용 기록
CT 스캐너	Philips	Ingenuity CT	수술 후 영상 평가에 사용 수술 후 두개골 CT 평가
OnekeyAI 구조화 데이터 분석 플랫폼	OnekeyAI	20240916	연구 도구로 사용; 임상적 의사 결정에는 관여하지 않음 구조화 데이터 전처리, 모델 구축, 모델 평가 및 도표 생성
Python	Python Software Foundation	3.7.12	오픈 소스 프로그래밍 언어 데이터 전처리, 통계 분석, 모델 개발 및 시각화
scikit-learn	scikit-learn 개발자	1.0.2	오픈 소스 Python 머신러닝 라이브러리 LASSO, Naive Bayes, SVM, KNN, MLP, ROC 분석 및 성능 지표