Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Onderzoeksartikel
In deze retrospectieve studie in één centrum werd een logistisch regressiemodel ontwikkeld en intern gevalideerd voor vertraagde cerebrale ischemie na aneurysmatische subarachnoïdale bloeding. Bij 680 patiënten vertoonden zes vroege klinische, laboratorium- en beeldvormingsvariabelen een voorlopige voorspellende waarde. Verdere externe validatie is vereist voordat het model klinisch kan worden toegepast.
Vertraagde cerebrale ischemie (DCI) is een belangrijke oorzaak van secundair neurologisch letsel na een aneurysmatische subarachnoïdale bloeding (aSAH). Deze retrospectieve single-center studie ontwikkelde en evalueerde voorspellingsmodellen voor DCI met behulp van gegevens van 680 volwassen patiënten met aSAH die werden behandeld tussen juli 2022 en december 2024. De patiënten werden middels een uitkomst-gestratificeerde 8:2 splitsing verdeeld in een trainingscohort van 544 patiënten en een intern validatiecohort van 136 patiënten. DCI trad op bij 175 patiënten in het trainingscohort en bij 42 patiënten in het interne validatiecohort. De selectie van predictoren werd in het trainingscohort uitgevoerd met behulp van least absolute shrinkage and selection operator-regressie met 10-voudige kruisvalidatie. Zes variabelen werden behouden: leeftijd, cerebraal oedeem, hypoalbuminemie, gemodificeerde Fisher-graad, Hunt-Hess-graad en de graad van de World Federation of Neurological Surgeons. Logistische regressie, extreme gradient boosting, light gradient boosting machine, support vector machine en k-nearest neighbor-modellen werden vergeleken. Logistische regressie vertoonde een area under the receiver operating characteristic curve van 0,832 (95% betrouwbaarheidsinterval, 0,758–0,906) in het interne validatiecohort. De kalibratieshelling, het kalibratie-intercept en de Brier-score waren respectievelijk 0,98, 0,02 en 0,168, hoewel betrouwbaarheidsintervallen voor deze kalibratieschattingen niet beschikbaar waren. De bevindingen vertegenwoordigen de voorlopige prestaties in één enkel intern validatiecohort. Onvolledige reproduceerbaarheidsgegevens, de afwezigheid van het model-intercept, het gebrek aan op resampling gebaseerde optimisme-correctie en het ontbreken van externe validatie beletten momenteel de berekening van de waarschijnlijkheid op patiëntniveau en de klinische implementatie.
Er zijn verschillende voorspellingsmodellen voorgesteld voor DCI na aSAH, maar veel daarvan werden beperkt door kleine steekproefgroottes, een onvolledige beoordeling van de kalibratie, onvoldoende verslaglegging van de procedures voor modelontwikkeling en een gebrek aan externe validatie. Veel studies hebben zich hoofdzakelijk gericht op discriminatie, terwijl kalibratie, reproduceerbaarheid en de beoordeling van de klinische impact minder consistent zijn gerapporteerd. Daarom moet de prestatie van het model worden geëvalueerd met transparante methoden en voorzichtig worden geïnterpreteerd wanneer de validatie beperkt is tot één enkel centrum.
De huidige studie had als doel voorspellingsmodellen voor DCI te ontwikkelen en intern te evalueren met behulp van routinematig beschikbare vroege klinische, laboratorium- en beeldvormingsvariabelen. Vijf modelleringsbenaderingen werden vergeleken met gebruik van dezelfde set geselecteerde predictoren. Het beoogde voorspellingstijdstip was na de initiële opname, het laboratoriumonderzoek en de beeldvormingsbeoordeling, maar vóór de belangrijkste risicoperiode voor DCI. De modellen werden ontwikkeld voor onderzoeksgebaseerde risicoschatting en waren niet bedoeld om DCI te diagnosticeren, het klinisch oordeel te vervangen of onafhankelijk de behandeling te bepalen. Externe validatie, recalibratie en testen van de klinische impact zijn vereist voordat ze klinisch kunnen worden toegepast.
Vertraagde cerebrale ischemie (DCI) is een van deze secundaire insulten die behoren tot de meest klinisch significante en potentieel voorkombare aandoeningen na een aSAH. DCI is een complicatie die gewoonlijk enkele dagen na de ictus optreedt, doorgaans binnen 3–14 dagen, en gekoppeld is aan nieuwe focale neurologische uitval, verslechtering van het bewustzijnsniveau en/of het ontstaan van een cerebraal infarct bij opeenvolgende neuroimaging. Hoewel er verschillen zijn in de diagnostische praktijk tussen verschillende instellingen, gaat DCI altijd gepaard met een langdurig verblijf op de intensive care, een hoog verbruik van middelen en een slechte neurologische prognose. De gerapporteerde incidentie van DCI is doorgaans 30–40 procent, wat de prevalentie en de significante prognostische implicaties onderstreept1,2,3,4,5,6. Opvallend is dat DCI geen proces met een enkelvoudig pad is. Hoewel de focus altijd heeft gelegen op cerebrale vasospasmen van grote vaten, laat toenemend bewijs ook zien dat vroegtijdige hersenbeschadiging, corticale spreading depolarization, neuroinflammatie, microtrombose, endotheeldisfunctie, verminderde autoregulatie en microcirculatoir falen allemaal bijdragen aan het ischemische risico. Deze multifactoriële pathofysiologie helpt verklaren waarom behandelingen gericht op vasospasmen infarcten geassocieerd met DCI mogelijk niet volledig kunnen voorkomen en waarom patiënten met een hoog risico moeilijk te identificeren zijn in de gebruikelijke klinische setting.
De risicostratificatie van DCI na aSAH is een prioriteit, omdat het door tijdige identificatie van hoogrisicopatiënten mogelijk is om hen nauwer te monitoren en preventieve of curatieve maatregelen prompt te escaleren7. Monitoringsplannen in de klinische praktijk kunnen het gebruik omvatten van frequentere neurologische tests, transcraniële Doppler-echografie, geavanceerde beeldvormingstechnieken zoals CT-perfusie, optimalisatie van de hemodynamiek en het intravasculaire volume, strikte naleving van de nimodipine-therapie en vroege identificatie van neurologische verslechtering, zoals hydrocefalus, rebleeding, insulten, infecties of metabole ontregeling. Desondanks hebben globale ernstschalen en de ervaring van clinici de neiging om klinische beslissingen meer te beïnvloeden dan gepersonaliseerde, datagestuurde schattingen van de DCI-waarschijnlijkheid8,9,10. Eén reden hiervoor is dat uit de literatuur blijkt dat risicofactoren heterogeen zijn en dat de wisselwerking tussen patiëntfactoren, de hoeveelheid bloeding, fysiologische ontregelingen en neurologische gradatieschalen niet-lineair en complex kan zijn. Vorige onderzoekers hebben potentiële voorspellers van DCI onderzocht, waaronder leeftijd, hypertensie, neurologische status bij aanvang, kenmerken van het aneurysma, laboratoriumindices (zoals serumnatrium en albumine), beeldkenmerken die duiden op de bloedingslast en perioperatieve of behandelgerelateerde factoren. Conventionele regressietechnieken zijn nuttig geweest, maar kunnen beperkt zijn wanneer voorspellers gecorreleerd zijn, wanneer de relatie tussen de voorspellers en het risico niet-lineair is, of wanneer er interacties tussen de variabelen bestaan11. Tegelijkertijd zijn er meerdere instrumenten (meestal nomogrammen) voorgesteld om het DCI-risico te beoordelen. Hoewel nomogrammen haalbaar en visueel aantrekkelijk zijn, zijn de meeste gebaseerd op kleine steekproeven, bevatten ze weinig variabelen en kunnen ze overfit zijn of onvoldoende gevalideerd. Bovendien zijn modellen die in één centrum zijn ontwikkeld en getest mogelijk niet direct vertaalbaar naar andere instellingen vanwege verschillen in patiëntenpopulatie, beeldinterpretatie, behandeling en DCI-diagnostische drempelwaarden.
Machine learning-methoden kunnen traditionele klinische voorspellingsmodellen aanvullen, omdat ze de exploratie van meer dimensies van klinische gegevens en de observatie van complexere trends mogelijk maken zonder dat er rigide lineaire aannames gedaan hoeven te worden. ML-gebaseerde voorspellingsmodellen vinden de laatste jaren steeds meer toepassingen op het gebied van cerebrovasculaire aandoeningen, waaronder de voorspelling van uitkomsten en complicaties, alsook beslissingsondersteuning12,13,14. Veelgebruikte machine learning-algoritmen omvatten ensemble-boommethoden zoals Extreme Gradient Boosting (XGBoost) en Light Gradient Boosting Machine (LightGBM), kernel-gebaseerde classificeerders zoals support vector machines (SVMs), en afstand-gebaseerde classificeerders zoals k-nearest neighbors (KNN). De modellen zijn in principe in staat om niet-lineariteiten en interacties beter te modelleren dan traditionele benaderingen15. Er zijn echter ook praktische zorgen verbonden aan ML-modellen, zoals het risico op overfitting, een verminderde interpreteerbaarheid en de noodzaak om preprocessingsstappen, tuning, kalibratie, evaluatie en validatie uit te voeren. Het is vermeldenswaard dat in een breed scala aan klinische scenario's een goed gespecificeerde logistische regressie net zo goed, of zelfs effectiever kan presteren dan complexere algoritmen, vooral wanneer het aantal predictoren klein is en de signaal-ruisverhouding matig is. Daarom is een vergelijkende analyse van verschillende algoritmen met vergelijkbare predictoren en evaluatiemetrieken nodig om een model te identificeren dat correleert met prestaties en klinische toepasbaarheid16,17,18.
Er zijn eerder verschillende voorspellingsmodellen voor vertraagde cerebrale ischemie voorgesteld; velen hiervan kampen echter met belangrijke beperkingen, waaronder kleine steekproefgroottes, een beperkte beoordeling van de kalibratie, een gebrek aan directe vergelijkingen tussen algoritmen en onvoldoende validatie. Bovendien leggen eerdere studies vaak de nadruk op discriminatie, terwijl metrieken voor kalibratie en klinisch nut, die essentieel zijn voor toepasbaarheid in de praktijk, onderbelicht blijven. De huidige studie pakt deze tekortkomingen aan door een voorspellingsmodel te ontwikkelen in een relatief grote cohort, systematische selectie van predictoren te implementeren met behulp van least absolute shrinkage and selection operator (LASSO) regressie, meerdere machine learning-algoritmen te vergelijken binnen een uniform modelleringskader en discriminatie, kalibratie en beslissingsanalytische prestaties uitgebreid te evalueren.
Er zijn verschillende voorspellingsmodellen voorgesteld voor DCI na aSAH, maar velen hebben belangrijke beperkingen, waaronder kleine cohorten, beperkte beoordeling van de kalibratie, onvolledige rapportage over de modelontwikkeling en een gebrek aan externe of temporele validatie. Daarnaast rapporteren veel studies alleen discriminatie, terwijl kalibratie en decision-curve-analyse minder consistent worden gepresenteerd. De huidige studie lost het probleem van externe validatie niet op. In plaats daarvan biedt het een single-center ontwikkelings- en interne validatiestudie met gebruikmaking van routinematig beschikbare klinische, laboratorium- en beeldvormingsvariabelen. De beoogde toepassing is vroege risicostratificatie na opname en de initiële behandeling van het aneurysma, vóór het belangrijkste risicovenster voor DCI. Het model kan clinici helpen patiënten te identificeren die nauwere neurologische monitoring, vasculaire beeldvormingssurveillance, correctie van fysiologische afwijkingen en vroege beoordeling door het neurocritical care-team nodig hebben. Het is niet bedoeld om het klinisch oordeel te vervangen, DCI te diagnosticeren of de behandeling te sturen zonder externe validatie en testen van de klinische impact. In eerdere studies zijn verschillende modellen voorgesteld voor het voorspellen van DCI na aSAH, maar velen waren beperkt door kleine steekproefgroottes, onvolledige rapportage van de kalibratie, beperkte vergelijkingen tussen modelleringsmethoden of een gebrek aan externe validatie. De huidige studie claimt niet een klinisch gevalideerd besluitvormingsinstrument te leveren. In plaats daarvan is het doel om een voorspellingsmodel te ontwikkelen en intern te valideren met gebruik van routinematig beschikbare vroege klinische, laboratorium- en beeldvormingsvariabelen uit een single-center cohort. De beoogde toepassing is vroege risicostratificatie na opname en de initiële behandeling van het aneurysma, vóór de belangrijkste risicoperiode voor DCI. In deze setting zou een hoog voorspeld risico een nauwere neurologische beoordeling, vasculaire monitoring, correctie van fysiologische afwijkingen en vroege beoordeling door neurocritical care ondersteunen. Het model is niet bedoeld om DCI te diagnosticeren of het oordeel van de clinicus te vervangen.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De studie werd goedgekeurd door de Institutionele Ethiekcommissie van het Yulin First Hospital, provincie Shaanxi, China. Omdat het ging om een retrospectieve analyse van routinematig verzamelde ziekenhuisgegevens, en omdat alle gegevens vóór de analyse waren geanonimiseerd, is de vereiste voor schriftelijke geïnformeerde toestemming kwijtgescholden. De studie werd uitgevoerd in overeenstemming met de institutionele vereisten voor gegevensbescherming en de principes van de Verklaring van Helsinki.
Data en methoden
Studiepopulatie en ontwerp
Dit was een retrospectieve cohortstudie in één centrum, uitgevoerd in het Yulin First Hospital in de provincie Shaanxi, China. De ziekenhuisgegevens van patiënten die tussen juli 2022 en december 2024 werden opgenomen met aSAH werden gescreend. In aanmerking komende patiënten waren volwassenen van 18 jaar of ouder met een diagnose van aSAH, bevestigd door craniale en intracraniale vasculaire beeldvorming. Van patiënten werd vereist dat zij binnen 72 h na het begin van de symptomen waren opgenomen en dat zij tijdens de indexopname een aneurysmabehandeling hadden ondergaan.
Patiënten werden uitgesloten indien zij een traumatische subarachnoïdale bloeding, een niet-aneurismatische subarachnoïdale bloeding, een ernstige reeds bestaande hematologische aandoening, een andere grote intracraniële aandoening die de beoordeling van de uitkomst beïnvloedde, onvoldoende dossiers voor DCI-evaluatie, of een overlijden in het ziekenhuis vóór een adequate DCI-beoordelingsperiode hadden. Het uitsluiten van vroege sterfgevallen in het ziekenhuis kan leiden tot survivorship bias, omdat de meest ernstige gevallen mogelijk uit de analyse worden verwijderd. Daarom moeten de bevindingen worden geïnterpreteerd als voornamelijk van toepassing op patiënten die lang genoeg overleefden voor een DCI-evaluatie.
Gegevensverzameling
Klinische, laboratorium-, beeldvormings- en behandelingsgerelateerde variabelen werden uit het elektronisch medisch dossier geëxtraheerd met behulp van een vooraf gedefinieerd data-extractieformulier. De geëxtraheerde variabelen omvatten demografische factoren, medische voorgeschiedenis, kenmerken van het aneurysma, de vroege neurologische graad, vroege beeldvormingsbevindingen, laboratoriumresultaten, de behandelingsaanpak en ziekenhuiscomplicaties. Het beoogde voorspellingsmoment was na voltooiing van de initiële opname en perioperatieve beoordeling, maar vóór het belangrijkste risikovenster voor DCI.
Leeftijd, geslacht, bodymassindex, rookstatus, alcoholgebruik, hypertensie, diabetes, aneurysmagrootte, locatie van het aneurysma, gemodificeerde Fisher-graad, Hunt-Hess-graad, World Federation of Neurological Surgeons-graad, intraventriculaire bloeding en herbloeding werden genoteerd op basis van opnamegegevens en initiële beeldvorming. Laboratoriumvariabelen, waaronder hemoglobine, serumalbumine en serumnatrium, werden verkregen uit de vroegst beschikbare bloedtest vóór het voorspellingsmoment. Cerebraal oedeem werd beoordeeld aan de hand van baseline-beeldvorming of onmiddellijke post-behandelingsbeeldvorming die beschikbaar was vóór de DCI-diagnose. Variabelen die pas na het begin van DCI werden geregistreerd, zijn niet gebruikt voor de modelontwikkeling om informatielekkage te beperken.
Anemie werd gedefinieerd als hemoglobine <110 g/L bij vrouwelijke patiënten en <120 g/L bij mannelijke patiënten. Hypoalbuminemie werd gedefinieerd als serumalbumine <35 g/L. Hyponatriëmie werd gedefinieerd als serumnatrium <130 mmol/L.
Patiënten werden behandeld volgens het institutionele zorgpad voor aSAH. De standaardbehandeling omvatte vroege clipping of coiling van het aneurysma, neurologische observatie, bloeddrukcontrole, vocht- en elektrolytenmanagement en surveillance op complicaties, waaronder hydrocefalie, rebleeding, insulten, infecties, vasospasmen en DCI. Nimodipine werd gebruikt, tenzij er sprake was van contra-indicaties. De monitoring van vasospasmen werd uitgevoerd middels neurologisch onderzoek, vasculaire beeldvorming en transcraniële Doppler-echografie wanneer dit klinisch geïndiceerd was. Hydrocefalie werd, indien nodig, behandeld door afvoer van het hersenvocht. Hemodynamische optimalisatie en rescue-therapie werden toegepast op basis van de beoordeling van het behandelteam. Omdat de intensiteit van de behandeling en de details van de rescue-therapie niet volledig waren vastgelegd in de retrospectieve dataset, konden deze factoren niet volledig in het model worden gecorrigeerd en werden zij als een beperking beschouwd.
Diagnose van DCI
DCI werd gedefinieerd als een nieuw focaal neurologisch defect, een afname van het bewustzijnsniveau of een nieuw cerebraal infarct op follow-up computertomografie of magnetische resonantie-imaging, optredend tijdens het verwachte risicovlak voor DCI en niet verklaarbaar door een andere oorzaak. Het risicovlak voor DCI werd gedefinieerd als dag 3–14 na de hemorragische ictus. Alternatieve verklaringen, waaronder herbloeding, hydrocefalie, insulten, infectie, metabole stoornissen, sedatieve effecten en procedure-gerelateerde infarcten, werden beoordeeld voordat een gebeurtenis als DCI werd geclassificeerd.
De beoordeling van de uitkomsten werd uitgevoerd door twee clinici met ervaring in de behandeling van aSAH, waaronder één neurochirurg en één neuroloog/arts neuro-intensive care. De beoordelaars bekeken de klinische verslagen, neurologische onderzoeken, beeldvormingsrapporten en follow-up beeldvorming. Tijdens de beoordeling van de uitkomsten waren zij geblindeerd voor de uiteindelijke modeluitvoer. Meningsverschillen werden opgelost via consensusdiscussies, waarbij de relevante beeldvorming en de klinische tijdlijn werden bekeken. De formele inter-beoordelaarsbetrouwbaarheid werd niet gemeten; deze beperking is toegevoegd omdat de classificatie van DCI een klinisch oordeel kan vereisen.
Berekening van de steekproefomvang
De steekproefomvang werd geschat op basis van de vuistregel van 10 gebeurtenissen per variabele (EPV)11. Met 20 kandidaat-predictoren en een verwachte incidentie van DCI van ongeveer 35%, was een minimale steekproefomvang van 20 × 10 / 0,35 ≈ 572 patiënten vereist. Onze uiteindelijke cohort van 680 patiënten overtrof deze vereiste. Hoewel de events-per-variable (EPV) regel als algemene richtlijn is toegepast, kan moderne predictieve modellering, in het bijzonder machine learning-algoritmen, flexibelere overwegingen met betrekking tot de steekproefomvang vereisen. De uiteindelijke cohortomvang werd als adequaat beschouwd om modelstabiliteit te waarborgen, het risico op overfitting te minimaliseren en een betrouwbare schatting van de modelperformantie-metrieken mogelijk te maken.
Modelontwikkeling en validatie
Patiënten werden toegewezen aan een trainingscohort van 544 patiënten en een intern validatiecohort van 136 patiënten met behulp van een uitkomstgestratificeerde 8:2 splitsing. Uitkomststratificatie werd gebruikt om een vergelijkbare proportie DCI-gebeurtenissen in de twee cohorten te behouden. DCI trad op bij 175 van de 544 patiënten in het trainingscohort en bij 42 van de 136 patiënten in het interne validatiecohort. Het 8:2 hold-out ontwerp is behouden omdat dit de vooraf gespecificeerde strategie voor modelontwikkeling was en een apart cohort bood voor een voorlopige interne prestatiebeoordeling.
De selectie van predictoren werd uitsluitend uitgevoerd in de trainingscohort met behulp van least absolute shrinkage and selection operator-regressie met 10-voudige kruisvalidatie. De geselecteerde strafparameter was λ = 0.031. Zes predictoren werden behouden: leeftijd, hersenoedeem, hypoalbuminemie, gemodificeerde Fisher-graad, Hunt-Hess-graad en World Federation of Neurological Surgeons-graad.
Modellen voor logistische regressie, extreme gradient boosting, light gradient boosting machine, support vector machine en k-dichtstbijzijnde buren werden ontwikkeld met behulp van dezelfde set geselecteerde predictoren. Alle procedures voor voorbewerking, selectie van predictoren en modelontwikkeling waren beperkt tot de trainingscohort. De interne validatiecohort werd niet gebruikt tijdens de selectie van predictoren of de modeloptimalisatie en werd pas geëvalueerd na de modelontwikkeling.
De numerieke random seed die werd gebruikt voor de oorspronkelijke cohorttoewijzing is niet bewaard gebleven in de gearchiveerde analyseregisters en kon retrospectief niet worden geverifieerd. Bootstrap-optimismecorrectie en herhaalde k-fold interne validatie waren evenmin beschikbaar. Daarom wordt de huidige analyse beschreven als een enkele hold-out interne validatie in plaats van een optimismecorrectie of een herhaald cross-gevalideerde prestatiebeoordeling.
Reproduceerbaarheid van machine learning
Voor de selectie van LASSO-predictoren werd 10-voudige kruisvalidatie toegepast binnen de trainingscohort. Continue predictoren werden gestandaardiseerd wanneer dit vereist was door het modelleringsalgoritme, en categorische predictoren werden weergegeven met behulp van vooraf gedefinieerde binaire klinische categorieën. De validatiecohort werd niet gebruikt voor afstemming of modelselectie.
De gearchiveerde analysematerialen bevatten niet de definitieve tuning-grids, geselecteerde hyperparameters, volledige pakketversies, de oorspronkelijke random seed of een bevestigde procedure voor klasse-onbalans voor XGBoost, LightGBM, SVM en KNN. Deze instellingen zijn daarom niet gereconstrueerd of geschat. De vergelijkingen tussen de machine-learning-modellen moeten bijgevolg worden geïnterpreteerd als verkennende vergelijkingen van algoritmen in plaats van volledig reproduceerbare experimenten voor modelontwikkeling. Informatie over de reproduceerbaarheid, zowel beschikbaar als niet beschikbaar, dient te worden samengevat in Aanvullende Tabel 1.
Biascontrole & sensitiviteitsanalyse
Opeenvolgende geschikte patiënten werden geïncludeerd om selectiebias te verminderen. Gestandaardiseerde variabeledefinities en een gestructureerd data-extractieformulier werden gebruikt om informatiebias te verminderen. Predictoren werden beperkt tot informatie die beschikbaar was vóór het beoogde tijdstip van de DCI-voorspelling om informatielekkage te verminderen. Predictorselectie, preprocessing en modelontwikkeling werden uitsluitend uitgevoerd in de trainingscohort.
De aangepaste Fisher-graad, de Hunt-Hess-graad en de WFNS-graad vertegenwoordigen gerelateerde aspecten van de bloedingslast en de neurologische ernst. Hoewel alle drie de variabelen behouden bleven na LASSO-selectie, zijn de numerieke waarden van de variantie-inflatiefactor en de resultaten van een sensitiviteitsmodel waarin overlappende ernstschalen waren uitgesloten, niet opgenomen in de gearchiveerde analyse-output. Deze analyses konden niet worden gereconstrueerd uit de geaggregeerde tabellen, omdat correlaties op patiëntniveau en de output van de gefitte modellen vereist zijn. Daarom werden de individuele coëfficiënten van deze ernstmaten niet geïnterpreteerd als onafhankelijke of causale effecten. Ze werden uitsluitend behouden als componenten van het voorspellingsmodel dat in de trainingscohort was geselecteerd.
Interpreteerbaarheid van het model
Men geloofde dat klinische toepasbaarheid modelinterpreteerbaarheid als een cruciaal element vereiste. In het meest effectieve model werden de effecten van predictoren overwogen om de klinische plausibiliteit en de overeenstemming met bestaande pathofysiologische kennis over vertraagde cerebrale ischemie te beoordelen. Deze methode maakte een duidelijke beoordeling van het modelgedrag mogelijk en verbeterde het potentieel voor klinische vertaling.
Ontbrekende gegevens
Ontbrekende gegevens op variabelenniveau werden geëvalueerd tijdens de datapreparatie. De oorspronkelijke aantallen en percentages ontbrekende gegevens per kandidaatvariabele vóór imputatie zijn echter niet bewaard gebleven in de gearchiveerde analyseresultaten en konden niet nauwkeurig worden gereconstrueerd uit de geaggregeerde tabellen. Bijgevolg is er geen aanname van volledige data gedaan en zijn er geen niet-geverifieerde percentages van ontbrekende gegevens gerapporteerd.
Een geverifieerde aanvullende tabel met ontbrekende gegevens moet rechtstreeks worden gegenereerd uit de oorspronkelijke gedeïdentificeerde dataset op patiëntniveau. Aanvullende Tabel 2 moet voor elke kandidaatvariabele het aantal en het percentage ontbrekende waarnemingen vóór de gegevensverwerking rapporteren, de methode die is gebruikt om de ontbrekende gegevens aan te pakken, en het aantal waarnemingen dat is opgenomen in de uiteindelijke analyse. Het onvermogen om het oorspronkelijke, variabele-specifieke patroon van ontbrekende gegevens te herstellen, werd beschouwd als een beperking van het huidige rapport.
Statistische Analyse
De selectie van predictoren werd uitgevoerd in de trainingscohort met behulp van LASSO-regressie met 10-voudige kruisvalidatie. De discriminatie werd beoordeeld aan de hand van het oppervlak onder de receiver operating characteristic-curve met 95% betrouwbaarheidsintervallen. De kalibratie werd beschreven met behulp van kalibratieplots en puntschattingen van de kalibratieshelling, het kalibratie-intercept en de Brier-score. Bootstrap-betrouwbaarheidsintervallen voor de kalibratiematen waren niet beschikbaar.
Drempelwaarde-afhankelijke classificatiematen werden berekend op basis van de beschikbare verwarringsmatrices voor interne validatie. De exacte numerieke kansdrempel die is gebruikt om de gearchiveerde verwarringsmatrices te genereren, is niet bewaard gebleven en kon niet worden geverifieerd. Daarom werden deze maten beschrijvend geïnterpreteerd en werden ze niet gebruikt als de primaire basis voor modelselectie. De decision-curve analyse werd eveneens als verkennend beschouwd, omdat het exact vooraf gespecificeerde drempelwaardebereik en de netto-voordeeluitvoer op patiëntniveau niet bewaard zijn gebleven. Een tweezijdige P waarde onder 0,05 werd beschouwd als statistisch significant.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Vergelijking van uitgangskenmerken tussen trainings- en interne validatiecohorten
In totaal werden 680 patiënten met aSAH opgenomen. De trainingscohort bestond uit 544 patiënten, waarvan er 175 DCI ontwikkelden, terwijl de interne-validatiecohort bestond uit 136 patiënten, waarvan er 42 DCI ontwikkelden. Het DCI-incidentiepercentage was 32,2% in de trainingscohort en 30,9% in de interne-validatiecohort. De uitgangskenmerken zijn weergegeven in tabel 1. Aangezi...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
In deze studie is een voorspellingsmodel ontwikkeld en intern gevalideerd voor DCI na aSAH, gebruikmakend van vroege klinische, laboratorium- en beeldvormingsvariabelen. Na selectie van de predictoren bleven zes variabelen over: leeftijd, hersenoedeem, hypoalbuminemie, gemodificeerde Fisher-graad, Hunt-Hess-graad en de graad van de World Federation of Neurological Surgeons. Onder de geëvalueerde modellen vertoonde logistische regressie een stabiele interne discriminatie en een aanvaardbare kalibratie. Omdat de validatiec...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De auteurs betuigen hun dank aan het personeel van de medische dossiers van het Yulin First Hospital voor de ondersteuning bij het ophalen van geanonimiseerde klinische gegevens. Deze medewerkers hebben niet deelgenomen aan het ontwerp van de studie, de beoordeling van de uitkomsten, de statistische modellering, de interpretatie van de resultaten, de voorbereiding van het manuscript of de goedkeuring van het definitieve manuscript en voldeden daarom niet aan de criteria voor auteurschap.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Elektronisch medisch dossiersysteem | Yulin First Hospital | Niet van toepassing | Bron van retrospectieve klinische gegevens; het exacte commerciële platform is niet bewaard gebleven in de gearchiveerde verslagen. |
| IBM SPSS Statistics | IBM Corporation | Versie 25.0 | Descriptieve en inferentiële statistische analyse. |
| K-nearest neighbor implementatie | Pakket/bron niet bewaard | Niet beschikbaar | Exploratief machine-learning model; het exacte pakket en de versie moeten worden hersteld uit de oorspronkelijke code-omgeving. |
| LightGBM | Microsoft / open-source project | Versie niet beschikbaar | Exploratief gradient-boosting model; de exacte pakketversie en hyperparameters zijn niet bewaard gebleven. |
| R statistische software | R Foundation for Statistical Computing | Versie 4.3.2 | Statistische modellering en interne prestatiebeoordeling. |
| Support vector machine implementatie | Pakket/bron niet bewaard | Niet beschikbaar | Exploratief machine-learning model; het exacte pakket, de kernel-instellingen en de versie zijn niet bewaard gebleven. |
| XGBoost | Open-source project | Versie niet beschikbaar | Exploratief gradient-boosting model; de exacte pakketversie en hyperparameters zijn niet bewaard gebleven. |
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.