Een verkennend raamwerk voor machine learning (ML) met gebruik van perioperatieve gegevens werd geëvalueerd om contrast-geïnduceerde encefalopathie (CIE) na neuro-interventionele procedures te voorspellen. Het Naive Bayes-model vertoonde de meest gebalanceerde beschrijvende prestaties, en de contrast-tot-eGFR-ratio (CGR) werd geïdentificeerd als een belangrijke potentiële voorspeller voor een geïndividualiseerde risicobeoordeling.
Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Onderzoeksartikel
Machine-learningvoorspelling van contrastmiddel-geïnduceerde encefalopathie na neuro-interventionele procedures
* These authors contributed equally
In dit artikel
Samenvatting
Samenvatting
CIE is een zeldzame maar ernstige complicatie na neuro-interventionele procedures, waarvoor betrouwbare niet-invasieve voorspellende instrumenten nog ontbreken. Deze studie had als doel een ML-model te ontwikkelen en te valideren voor het voorspellen van CIE met behulp van perioperatieve klinische en procedurele gegevens, en om de voorspellende waarde van de CGR voor CIE te evalueren. Dit was een retrospectieve single-center studie waarin opeenvolgend 161 patiënten werden geïncludeerd die tussen januari 2024 en december 2025 neuro-interventionele procedures ondergingen in de afdeling Neurochirurgie van het Northern Theater General Hospital. Potentiële perioperatieve voorspellers van CIE werden geïdentificeerd middels univariate analyse gecombineerd met LASSO-regressie. Op basis van de geselecteerde variabelen werden vijf ML-modellen—Naive Bayes, support vector machine (SVM), k-nearest neighbors (KNN), LightGBM en multilayer perceptron (MLP)—getraind en geoptimaliseerd. De prestaties van de modellen werden uitgebreid geëvalueerd aan de hand van de area under the receiver operating characteristic curve (AUC) en decision curve analysis (DCA). Van de geëvalueerde modellen vertoonde het Naive Bayes-model de meest gunstige beschrijvende prestaties in de interne testset, met een AUC van 0.952 (95% CI: 0.843–1.000), een sensitiviteit van 100% en een specificiteit van 90.3%; deze metrieken moeten echter met voorzichtigheid worden geïnterpreteerd omdat de dataset sterk ongebalanceerd was en de interne testcohort klein was en slechts een zeer beperkt aantal CIE-events bevatte. De DCA-resultaten suggereerden een potentieel klinisch netto voordeel over de geselecteerde drempelwaarschijnlijkheden. Feature-importance analyse wees uit dat CGR een van de hoogst gerankte kandidaat-voorspellers was die geassocieerd waren met het risico op CIE in deze dataset. Het in deze studie geëvalueerde Naive Bayes-model kan een preliminair risicostratificatiekader bieden voor de perioperatieve beoordeling van CIE na neuro-interventionele procedures. CGR bleek een belangrijke voorspellende feature te zijn en kan helpen bij geïndividualiseerde risicostratificatie. Verdere externe validatie is vereist voordat klinische toepassing mogelijk is.
Inleiding
Gedurende de afgelopen twee decennia hebben minimaal invasieve interventietechnieken het behandelparadigma voor cerebrovasculaire aandoeningen fundamenteel veranderd1. Neuro-interventionele procedures—met hun voordelen van een hoge effectiviteit en minimale invasiviteit—zijn belangrijke behandelopties geworden voor geselecteerde cerebrovasculaire stoornissen2. Naarmate de complexiteit van de interventionele procedures echter toeneemt, stijgen ook de doses van de gebruikte contrastmiddelen, de injectiedrukken en de duur van de blootstelling aan het contrastmiddel. Bijgevolg zijn complicaties gerelateerd aan contrastmiddelen geleidelijk onderwerp geworden van toenemende aandacht3,4,5,6,7. CIE, een acute, voorbijgaande neurologische dysfunctie geïnduceerd door jodiumhoudende contrastmiddelen (ICM), wordt steeds vaker erkend als een klinisch relevante complicatie, met name bij complexe neuro-interventionele procedures. De typische klinische manifestaties van CIE treden gewoonlijk binnen enkele minuten tot 24 h na blootstelling aan het contrastmiddel op en omvatten veranderingen in het bewustzijn (zoals somnolentie, delirium of coma), corticale blindheid, focale neurologische uitval (zoals hemiparese of afasie) en insulten4,5,6. Hoewel de meeste gevallen van CIE zelflimiterend zijn en de symptomen doorgaans binnen 48 tot 72 h verdwijnen, kunnen sommige patiënten blijvende neurologische beperkingen ervaren. Ernstige gevallen kunnen zelfs leiden tot de dood als gevolg van massaal cerebraal oedeem4,7. Deze onvoorspelbaarheid van de uitkomsten onderstreept de dringende noodzaak om een betrouwbare tool te ontwikkelen voor vroege risicovoorspelling tijdens de perioperatieve periode.
Naarmate het volume aan klinische gegevens blijft toenemen, blijken traditionele statistische methoden steeds vaker ontoereikend bij het omgaan met hoogdimensionale medische data die multicollineariteit vertonen. Bovendien slagen univariate analyses of eenvoudige logistische regressiemodellen er vaak niet in om de complexe, niet-lineaire interacties tussen variabelen vast te leggen. ML biedt een nieuwe dimensie om deze uitdagingen aan te pakken8. ML-algoritmen—zoals SVM, gradient boosting machines (LightGBM) en MLP—kunnen automatisch latente patronen in hoogdimensionale kenmerkruimtes identificeren en niet-lineaire modellen construeren met krachtige voorspellende mogelijkheden8,9,10,11. Echter, terwijl wordt gestreefd naar voorspellingsnauwkeurigheid, roept het "black-box"-karakter van deze algoritmen, gekenmerkt door een gebrek aan interpreteerbaarheid, vaak zorgen op over het vertrouwen in medische besluitvorming12,13. In contrast hiermee vertoont het Naive Bayes-algoritme, met zijn eenvoudige probabilistische logica en inherente interpreteerbaarheid, unieke voordelen in klinische studies met kleine steekproeven14,15. Door de bijdrage aan de posterieure kans van elke predictormethode aan de uitkomstgebeurtenis te evalueren, waarborgt het Naive Bayes-model niet alleen de voorspellende prestaties, maar biedt het clinici ook intuïtieve inzichten ter ondersteuning van de besluitvorming. Daarnaast introduceert deze studie innovatief de ratio contrastmiddel-tot-eGFR (CGR) als kernkenmerk om de disbalans tussen de contrastmiddellast en de individuele klaringcapaciteit kwantitatief te beoordelen. Bij patiënten met een lagere renale functionele reserve kunnen zelfs gematigde doses contrastmiddelen leiden tot extreem hoge CGR-waarden, wat de vatbaarheid voor CIE kan verhogen. CGR kan een klinisch intuïtieve samengestelde maatstaf bieden die de contrastmiddellast en de renale klaringcapaciteit integreert, hoewel de incrementele voorspellende waarde hiervan verdere validatie vereist. Door deze geïntegreerde biomarker op te nemen, beoogde deze studie een voorspellend kader te ontwikkelen dat de pathofysiologische realiteit nauwer weerspiegelt.
Samenvattend was het doel van deze studie om een op ML gebaseerd CIE-voorspellingsmodel te ontwikkelen en te valideren met behulp van perioperatieve klinische en procedurele variabelen16. De specifieke doelstellingen omvatten: (1) het introduceren en evalueren van CGR als een exploratieve samengestelde index; (2) het construeren en vergelijken van de prestaties van vijf ML-modellen—Naive Bayes, SVM, KNN, LightGBM en MLP; en (3) het identificeren van het optimale model. Gezien het beperkte aantal CIE-gebeurtenissen werd de modelvergelijking als exploratief en hypothese-genererend beschouwd. Uiteindelijk kan deze studie een voorlopig risicostratificatiekader voor CIE bieden in de neurointerventionele praktijk, maar het mag niet worden gebruikt als een zelfstandig instrument voor klinische besluitvorming zonder externe validatie. De conceptuele basis van CGR en de relatie ervan met contrastblootstelling en renale klaring zijn geïllustreerd in Figuur 1A. De algemene workflow van de studie, inclusief datapreprocessing, train/test-splitsing, kenmerkselectie en modelontwikkeling, is samengevat in Figuur 1B. Het vergelijkende evaluatiekader van de vijf ML-modellen wordt gepresenteerd in Figuur 1C.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Protocol
Het studieprotocol is beoordeeld en goedgekeurd door de Ethische Commissie van het General Hospital of Northern Theater Command (Goedkeuringsnr. Ethics Y (2026) 75). Hoewel de klinische gegevens afkomstig waren van patiënten die tussen januari 2024 en december 2025 werden behandeld, werd de huidige studie uitgevoerd als een retrospectieve analyse van bestaande klinische dossiers. De in 2026 verkregen ethische goedkeuring omvatte de retrospectieve data-extractie, de-identificatie, analyse en publicatie van deze eerder verzamelde klinische gegevens. Er is geen prospectieve interventie of patiëntenwerving uitgevoerd vóór de ethische goedkeuring. De vereiste voor schriftelijke geïnformeerde toestemming is komen te vervallen vanwege het retrospectieve observationele onderzoeksontwerp. Alle procedures zijn uitgevoerd in overeenstemming met de Verklaring van Helsinki, en alle klinische gegevens zijn gede-identificeerd vóór de analyse. De huidige analyse is uitgevoerd als onderdeel van een goedgekeurd retrospectief neuro-interventioneel klinisch dataconductieonderzoek. De materialen en apparatuur die nodig zijn voor de hieronder beschreven procedures zijn samengevat in de Tabel met Materialen.
Patiëntenwerving en CIE-bepaling
Potentieel geschikte patiënten werden geïdentificeerd door het elektronisch medisch dossier-systeem te doorzoeken naar patiënten die tussen januari 2024 en december 2025 werden behandeld in de afdeling neurochirurgie van het General Hospital of Northern Theater Command. De initiële zoekopdracht werd beperkt op basis van opnameDatum, afdeling, diagnose van cerebrovasculaire ziekte en verslagen van neuro-interventionele procedures. De gedetailleerde workflow voor de screening van patiënten en de toewijzing aan de cohort is geïllustreerd in Figuur 2. Patiënten kwamen in aanmerking voor inclusie indien zij voldeden aan alle volgende criteria: (1) een leeftijd tussen 30 en 80 jaar; (2) diagnose van een cerebrovasculaire ziekte die neuro-interventionele evaluatie of behandeling vereist; (3) beschikbaarheid van volledige klinische dossiers en laboratoriumuitslagen; en (4) een postoperatieve CT-scan van het hoofd, uitgevoerd binnen 3 dagen na de operatie.
Patiënten werden uitgesloten als zij incomplete klinische gegevens of beeldvormingsgegevens hadden, geen endovasculaire interventie ondergingen, ernstige preoperatieve neurologische defecten vertoonden (modified Rankin Scale score ≥4), acute cerebrale infarcten vertoonden op preoperatieve diffusie-gewogen beeldvorming, chronische nierziekte in stadium G4 of hoger hadden volgens de Kidney Disease: Improving Global Outcomes (KDIGO) criteria, of ernstige hart- en vaatziekten hadden. De in- en uitsluitingscriteria werden opeenvolgend toegepast. Na de initiële elektronische zoekopdracht werd elk kandidaatrecord handmatig beoordeeld om de geschiktheid te bevestigen en, indien van toepassing, de reden voor uitsluiting te documenteren. Na screening werden geschikte patiënten in een verhouding van 8:2 willekeurig toegewezen aan trainings- en testcohorten, bestaande uit een trainingscohort (n = 128) en een testcohort (n = 3). Gestratificeerde steekproefname werd gebruikt om een consistente verdeling van CIE- en non-CIE-gevallen tussen de twee cohorten te behouden.
De diagnose van CIE was primair gebaseerd op de temporele associatie tussen het begin van de symptomen en de cerebrovasculaire interventieprocedures, in combinatie met uitsluitende beeldvormende beoordeling. Twee onafhankelijke specialisten in cerebrovasculaire interventies bekeken de postoperatieve klinische dossiers, het tijdstip van het begin van de symptomen, de neurologische manifestaties en de postoperatieve beeldvormingsresultaten voor alle vermoedelijke gevallen. Onenigheid werd via overleg opgelost totdat er consensus was bereikt. Patiënten werden als compatibel met CIE beschouwd indien er binnen 24 u na voltooiing van de neurointerventieprocedure sprake was van nieuw ontstane corticale blindheid, een veranderde bewustzijnsstaat (inclusief somnolentie, delirium of coma), insulten of focale neurologische uitval zoals hemiparese of afasie.
Na het optreden van de symptomen werden alternatieve oorzaken die soortgelijke neurologische manifestaties kunnen veroorzaken uitgesloten door postoperatieve CT- of MRI-beelden te beoordelen in combinatie met het klinische beloop. Postoperatieve CT van het hoofd werd uitgevoerd volgens het institutionele standaardprotocol voor cranial CT zonder contrast. De essentiële acquisitieparameters waren een buispanning van 80 kVp, een buisstroom van 260 mA, een plakdikte van 0,5 mm en standaard axiale reconstructie. De beelden werden door ervaren clinici beoordeeld op hersen- en botvensters. Bij de differentiaaldiagnose werden acute intracraniële bloedingen, subarachnoïdale bloedingen, intracerebrale bloedingen, nieuw ontstane cerebrale infarcten over een groot gebied, aanvallen-gerelateerde veranderingen, infecties en metabole stoornissen overwogen. CT-onderzoeken na het optreden van de symptomen toonden doorgaans focaal of diffuus cerebraal oedeem en hyperdense schaduwen in de cortex, subcorticale regio's of de subarachnoïdale ruimte, die hemorragische laesies nabootsten. MRI-bevindingen tonen gewoonlijk corticale zwelling, in het bijzonder van de temporopariëtale occipitale cortex. Bij sommige patiënten vertoonden CT- of MRI-onderzoeken echter geen duidelijke abnormaliteiten, ondanks compatibele klinische manifestaties.
Perioperatieve variabelenverwerving en constructie van CGR
Algemene demografische gegevens, waaronder leeftijd, geslacht en lichaamsgewicht, werden geëxtraheerd uit gestructureerde velden in het elektronisch medisch dossiersysteem. Variabelen betreffende de klinische geschiedenis, waaronder rookgeschiedenis, alcoholconsumptie, hypertensie, diabetes mellitus en coronaire hartziekten, werden geëxtraheerd uit opnameverslagen, dossiers van de medische voorgeschiedenis en ontslagdiagnoses, en werden gecontroleerd op consistentie. Laboratoriumgegevens werden geëxtraheerd uit het laboratoriuminformatiesysteem. Voor iedere patiënt werd het eerste veneuze bloedmonster gebruikt dat na opname en vóór de neurointerventionele procedure was afgenomen. De geëxtraheerde laboratoriumvariabelen omvatten serumcreatinine, de geschatte glomerulaire filtratiesnelheid (eGFR), totaalcholesterol en triglyceridengehalten. De eGFR werd berekend met de op creatinine gebaseerde vergelijking van de Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI) en werd verkregen uit het laboratoriuminformatiesysteem van het ziekenhuis.
Omdat procedurele complexiteit, blootstelling aan contrastmiddelen en de locatie van de laesie de disruptie van de bloed-hersenbarrière en de retentie van contrastmiddelen tijdens neurointerventionele procedures kunnen beïnvloeden, werden perioperatieve procedurele variabelen ook in het voorspellende kader opgenomen. Procedure-gerelateerde variabelen omvatten laesielocatie, type procedure, procedureduur, type contrastmiddel en het totale contrastvolume. De laesielocatie en het type procedure werden bepaald op basis van operatieverslagen en angiografische gegevens. De procedureduur werd gedefinieerd als de tijd vanaf de arteriële punctie tot de voltooiing van de neurointerventionele procedure. Het totale contrastvolume werd gedefinieerd als het cumulatieve volume aan gejodeerd contrastmiddel dat vanaf het begin tot het einde van de procedure werd toegediend. De in deze studie gebruikte contrastmiddelen waren niet-ionische ICA, waaronder iodixanol (320 mg jodium/mL), toegediend volgens de institutionele klinische praktijk. Alle in deze studie opgenomen neurointerventionele procedures werden onder begeleiding van digitale subtractie-angiografie uitgevoerd door een ervaren neurointerventioneel team in het studiecentrum. Alle procedures werden uitgevoerd via de transfemorale arteriële benadering. Tijdens de interventie kregen patiënten intraoperatieve antistolling met heparine, waarbij de geactiveerde stollingstijd binnen het streefbereik van 250–30 s werd gehouden. De vitale functies werden gedurende de gehele procedure continu gemonitord.
Therapeutische interventies, waaronder aneurysma-embolisatie, angioplastiek en stentplaatsing, werden uitgevoerd op basis van de kenmerken van de laesie en het oordeel van de operator. Geschikte microkatheters, coils, stents of ballonnen werden geselecteerd op basis van de procedurele vereisten. Tijdens de angiografische beeldvorming en interventie werden contrastmiddelen toegediend via een hogedrukinjectie of een handmatige infusie met een constante snelheid. Het type contrastmiddel en het totale contrastvolume werden uit de procedureverslagen geëxtraheerd en, indien beschikbaar, gecontroleerd aan de hand van de anesthesie- of verpleegkundige dossiers. Verslagen met inconsistente of onvolledige informatie over het contrastvolume werden handmatig beoordeeld voordat ze werden opgenomen in de uiteindelijke analytische dataset.
Alle procedure-gerelateerde variabelen, inclusief de duur van de procedure, het type therapeutische interventie, het gebruik van apparatuur en de registraties van de toediening van contrastmiddelen, werden systematisch beoordeeld en geverifieerd op volledigheid en consistentie vóór de analyse. Om de onbalans tussen de contrastmiddellast en de renale klaringcapaciteit kwantitatief te evalueren, werd de CGR vastgesteld als een kernvoorspellende variabele en berekend volgens de volgende vergelijking:
(1)
Het totale contrastvolume werd geregistreerd in mL, en de eGFR werd geregistreerd in mL/min/1,73 m2. De eGFR-waarde die werd gebruikt voor de berekening van de CGR was de preoperatieve eGFR-waarde, verkregen uit de eerste veneuze bloedafname na opname en voorafgaand aan de neurointerventionele procedure. Voor elke patiënt werd de CGR berekend na verificatie van zowel het totale contrastvolume als de eGFR. De teller was het totale contrastvolume in mL en de noemer was de eGFR in mL/min/1,73 m2. Dezelfde berekeningsregel werd op alle patiënten toegepast vóór de ontwikkeling van het model.
Kenmerkselectie en ML-workflow
Om de analytische robuustheid te waarborgen, zijn alle klinische en laboratoriumvariabelen vóór de analyse onderworpen aan systematische kwaliteitscontroleprocedures. Voor elke kandidaatvariabele is het aandeel ontbrekende gegevens berekend voorafgaand aan de modelontwikkeling. In de definitieve analytische dataset werden geen ontbrekende waarden waargenomen bij de opgenomen predictoren of uitkomstlabels; daarom is geen enkele variabele uitgesloten vanwege ontbrekende gegevens en was multiple improvisatie niet vereist. Een gedetailleerd overzicht van de ontbrekende gegevens is opgenomen in Aanvullende Tabel 1.
Alle potentiële voorspellende variabelen werden aanvankelijk geëvalueerd met univariaat analyses om hun associaties met het optreden van CIE te beoordelen. Statistische methoden werden geselecteerd op basis van de distributiekenmerken van de gegevens. Variabelen met een normale verdeling werden uitgedrukt als gemiddelde ± standaarddeviatie en vergeleken met de t-toets voor onafhankelijke steekproeven. Variabelen met een niet-normale verdeling werden uitgedrukt als mediaan (interkwartielafstand, IQR) en geanalyseerd met de Mann–Whitney U-toets. Categorische variabelen werden gepresenteerd als frequenties en percentages en geanalyseerd met de chi-kwadraattoets of de exacte toets van Fisher. Statistische significantie werd gedefinieerd als p < 0.05.
De gehele dataset werd vóór de modelontwikkeling in een verhouding van 8:2 willekeurig verdeeld in trainings- en testcohorten. Om overfitting te minimaliseren en multicollineariteit te verminderen, werd least absolute shrinkage and selection operator (LASSO)-regressie in combinatie met 10-voudige kruisvalidatie toegepast voor de selectie van kenmerken. De selectie van kenmerken, de afstelling van hyperparameters en de modelontwikkeling werden uitsluitend uitgevoerd met het trainingscohort om datalekken te voorkomen. Het interne testcohort werd niet gebruikt tijdens de schatting van imputatieparameters, de selectie van kenmerken, de afstelling van hyperparameters of de modeltraining, en werd slechts één keer gebruikt voor de uiteindelijke prestatie-evaluatie. De optimalisatie van hyperparameters werd uitgevoerd met een grid search-strategie met 10-voudige kruisvalidatie binnen het trainingscohort. Specifiek werd het trainingscohort willekeurig verdeeld in 10 wederzijds exclusieve subsets. Tijdens elke iteratie werden negen subsets gebruikt voor de modeltraining en de overgebleven subset voor validatie. Dit proces werd 10 keer herhaald om ervoor te zorgen dat elke subset precies één keer als validatiecohort diende.
Alle computationele analyses werden uitgevoerd in een Python-omgeving. De ontwikkeling en evaluatie van de ML-modellen werden uitgevoerd met scikit-learn. De analysescrips die werden gebruikt voor datapreprocessing, kenmerkselectie, modeltraining, prestatie-evaluatie en DCA werden verstrekt als aanvullende codebestanden. Voor de modelimplementatie werden de geselecteerde kenmerken uit de LASSO-regressie gebruikt als inputvariabelen voor alle kandidaat-classificaties. Continue variabelen werden gestandaardiseerd met z-score normalisatie binnen de trainingscohort, en dezelfde schalingsparameters werden toegepast op de interne testcohort. Categorische variabelen werden gecodeerd volgens het vooraf gedefinieerde coderingsschema; de variabeledefinities en het coderingsschema zijn opgenomen in Aanvullende Tabel 2. Er werden vijf classificaties geïmplementeerd: Gaussian Naive Bayes, SVM, KNN, LightGBM en MLP. Voor SVM werden het kerneltype, de regularisatieparameter C en de kernelcoëfficiënt gamma afgestemd. Voor KNN werden het aantal buren en de afstandswegingsstrategie afgestemd. Voor LightGBM werden het aantal estimators, de leerfrequentie (learning rate), de maximale boomdiepte en het aantal bladeren afgestemd. Voor MLP werden de structuur van de verborgen laag, de activatiefunctie, de regularisatieparameter en de leerfrequentie afgestemd. Gaussian Naive Bayes werd geïmplementeerd met de gespecificeerde variance smoothing-instelling. De optimale hyperparametercombinatie voor elk model werd geselecteerd op basis van de cross-validatieprestaties binnen de trainingscohort. De uiteindelijke geoptimaliseerde hyperparametercombinaties die voor elk model zijn geselecteerd, zijn samengevat in Aanvullende Tabel 3. Na selectie van de hyperparameters werd elk definitief model opnieuw gefit op de volledige trainingscohort en één keer geëvalueerd in de interne testcohort.
Vergelijkingen van modelprestaties
Op basis van de geselecteerde predictoren werden vijf ML-modellen ontwikkeld en vergeleken. De prestaties van de modellen werden geëvalueerd in zowel de trainings- als de testcohort met behulp van de oppervlakte onder de receiver operating characteristic-curve (AUC), het 95% betrouwbaarheidsinterval (95% BI), sensitiviteit, specificiteit en nauwkeurigheid. Er werden receiver operating characteristic-curves gegenereerd om de discriminatieve prestaties van de verschillende modellen te vergelijken. De optimale classificatiedrempel voor elk model werd uitsluitend binnen de trainingscohort bepaald met behulp van de Youden-index. De afgeleide drempelwaarde werd vervolgens vastgesteld en ongewijzigd toegepast op de interne testcohort voor het berekenen van de drempelafhankelijke prestatiegegevens.
Decision curve-analyse
DCA werd uitgevoerd door het netto voordeel van elk model te berekenen over een reeks drempelwaarschijnlijkheden en de modelgebaseerde strategie te vergelijken met twee standaardstrategieën: alle patiënten behandelen en geen enkele patiënt behandelen. DCA werd gekozen omdat het een gelijktijdige beoordeling van de discriminatieprestaties en de potentiële klinische toepasbaarheid in perioperatieve besluitvormingssituaties mogelijk maakt. Om de reproduceerbaarheid te vergemakkelijken, werd de volledige workflow in de volgende volgorde uitgevoerd: patiëntidentificatie uit het elektronisch medisch dossier, toepassing van in- en uitsluitingscriteria, CIE-beoordeling door twee onafhankelijke specialisten, extractie en kruiscontrole van demografische, klinische geschiedenis, laboratorium- en proceduregerelateerde variabelen, CGR-berekening, beoordeling van ontbrekende gegevens en splitsing van de trainings- en testcohort, LASSO-gebaseerde kenmerkselectie binnen de trainingscohort, hyperparametertuning via 10-voudige kruisvalidatie, finale modelherfitting in de volledige trainingscohort, evaluatie van de interne testcohort, ROC-gebaseerde prestatiebeoordeling, bepaling van de drempelwaarde via de Youden-index en DCA.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Resultaten
Inschrijving van patiënten en bepaling van de CIE
In totaal werden 161 patiënten die neuro-interventionele procedures ondergingen in deze studie opgenomen, van wie er 12 (7,5%) CIE ontwikkelden en 149 (92,5%) niet. Het gedetailleerde proces van patiëntscreening en groepering wordt getoond in Figuur 2. De diagnose van CIE werd gesteld op basis van het temporele verband tussen het begin van de symptomen en de neuro-interventionele procedures, in com...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Discussie
CIE is een zeldzame maar potentieel ernstige complicatie na neuro-interventionele procedures, gekenmerkt door acute neurologische disfunctie die kort na blootstelling aan contrastmiddelen optreedt. Hoewel de aandoening doorgaans reversibel is, kan zij in sommige gevallen leiden tot aanhoudende neurologische defecten of zelfs levensbedreigende uitkomsten, wat het belang van vroege risico-identificatie onderstreept17,18,19,
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Openbaarmakingen
De auteurs verklaren dat er geen concurrerende belangen zijn. Het OnekeyAI-platform is in deze studie uitsluitend gebruikt als onderzoeksinstrument voor gestructureerde data-analyse en modelontwikkeling.
Dankbetuigingen
Dit werk werd ondersteund door het Liaoning Provincial Science and Technology Plan Joint Program (Key Research and Development Program Project; Grant No. 2025JH2/101800053) en het Xingliao Talent Program van de provincie Liaoning (Grant No. XLYC2403134). De auteurs danken tevens de afdeling Neurochirurgie van het Northern Theater General Hospital voor de ondersteuning bij de verzameling van patiëntgegevens en de beoordeling van de neuro-imaging.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Elektronisch medisch dossier-systeem | Northern Theater General Hospital | Institutioneel klinisch systeem | Gebruikt voor retrospectieve data-extractie Verzameling van demografische variabelen en variabelen van de klinische voorgeschiedenis |
| Laboratoriuminformatiesysteem | Northern Theater General Hospital | Institutioneel laboratoriumsysteem | Gebruikt voor retrospectieve extractie van laboratoriumgegevens Verzameling van serumcreatinine, eGFR, lipidenprofiel en andere laboratoriumgegevens |
| Digitaal subtractie-angiografiesysteem | Philips | Allura Xper FD 20 (met Interventional Workstation R1.3.2) | Gebruikt tijdens routinematige klinische procedures Neuro-interventionele procedure en registratie van contrastmiddelgebruik |
| CT-scanner | Philips | Ingenuity CT | Gebruikt voor postoperatieve beeldbeoordeling Postoperatieve craniale CT-evaluatie |
| OnekeyAI analyseplatform voor gestructureerde data | OnekeyAI | 20240916 | Gebruikt als onderzoeksinstrument; geen rol in klinische besluitvorming Preprocessing van gestructureerde data, modelconstructie, modelevaluatie en genereren van figuren |
| Python | Python Software Foundation | 3.7.12 | Open-source programmeertaal Data-preprocessing, statistische analyse, modelontwikkeling en visualisatie |
| scikit-learn | scikit-learn developers | 1.0.2 | Open-source Python machine-learning bibliotheek LASSO, Naive Bayes, SVM, KNN, MLP, ROC-analyse en prestatiemetrieken |
Referenties
- 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.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.