Przewidywanie encefalopatii indukowanej środkiem kontrastowym po zabiegach neurointerwencyjnych z wykorzystaniem uczenia maszynowego

Podsumowanie

Oceniono eksploracyjne ramy uczenia maszynowego (ML) wykorzystujące dane okołooperacyjne w celu przewidywania encefalopatii wywołanej środkiem kontrastowym (CIE) po zabiegach neurointerwencyjnych. Model Naiwnych Bayesa wykazał najbardziej zrównoważoną wydajność opisową, a stosunek dawki kontrastu do wskaźnika eGFR (CGR) został zidentyfikowany jako istotny potencjalny predyktor dla indywidualnej oceny ryzyka.

Streszczenie

CIE jest rzadkim, lecz ciężkim powikłaniem po procedurach neurointerwencyjnych, dla którego wciąż brakuje niezawodnych, nieinwazyjnych narzędzi prognostycznych. Celem niniejszego badania było opracowanie i walidacja modelu ML do przewidywania CIE z wykorzystaniem okołoperacyjnych danych klinicznych i proceduralnych oraz ocena wartości prognostycznej CGR w odniesieniu do CIE. Było to jednoośrodkowe badanie retrospektywne, do którego włączono w sposób następczy 161 pacjentów poddanych procedurom neurointerwencyjnym w Oddziale Neurochirurgii Szpitala Generalnego Northern Theater w okresie od stycznia 2024 do grudnia 2025 roku. Potencjalne okołoperacyjne predyktory CIE zidentyfikowano za pomocą analizy jednowymiarowej w połączeniu z regresją LASSO. Na podstawie wybranych zmiennych wytrenowano i zoptymalizowano pięć modeli ML: Naive Bayes, maszynę wektorów nośnych (SVM), k-najbliższych sąsiadów (KNN), LightGBM oraz wielowarstwowy perceptron (MLP). Wydajność modeli oceniono kompleksowo, wykorzystując pole pod krzywą charakterystyki operacyjnej odbiornika (AUC) oraz analizę krzywej decyzyjnej (DCA). Wśród ocenianych modeli model Naive Bayes wykazał najkorzystniejszą wydajność opisową w wewnętrznym zbiorze testowym, z AUC wynoszącym 0.952 (95% CI: 0.843–1.000), czułością 100% i swoistością 90,3%; parametry te należy jednak interpretować ostrożnie, ponieważ zbiór danych był wyraźnie niezrównoważony, a wewnętrzna kohorta testowa była mała i zawierała jedynie bardzo ograniczoną liczbę zdarzeń CIE. Wyniki DCA zasugerowały potencjalną kliniczną korzyść netto dla wybranych prawdopodobieństw progowych. Analiza istotności cech wskazała, że CGR znajdował się wśród najwyżej ocenianych potencjalnych predyktorów powiązanych z ryzykiem CIE w tym zbiorze danych. Model Naive Bayes oceniony w tym badaniu może dostarczyć wstępnych ram stratyfikacji ryzyka do okołoperacyjnej oceny CIE po procedurach neurointerwencyjnych. CGR okazał się istotną cechą prognostyczną i może pomóc w indywidualnej stratyfikacji ryzyka. Przed zastosowaniem klinicznym konieczna jest dalsza walidacja zewnętrzna.

Wprowadzenie

W ciągu ostatnich dwóch dekad małoinwazyjne techniki interwencyjne fundamentalnie zmieniły paradygmat leczenia chorób naczyniowo-mózgowych¹. Procedury neurointerwencyjne — dzięki zaletom w postaci wysokiej skuteczności i minimalnej inwazyjności — stały się istotnymi opcjami terapeutycznymi w wybranych zaburzeniach naczyniowo-mózgowych². Jednakże wraz ze wzrostem złożoności procedur interwencyjnych zwiększają się również dawki stosowanych środków kontrastowych, ciśnienia wtrysku oraz czas ekspozycji na kontrast. W konsekwencji powikłania związane ze stosowaniem środków kontrastowych stały się przedmiotem coraz większej uwagi^3,4,5,6,7. CIE, czyli ostre, przejściowe zaburzenie neurologiczne wywołane przez jodowe środki kontrastowe (ICM), jest coraz częściej uznawane za istotne klinicznie powikłanie, szczególnie w przypadku złożonych procedur neurointerwencyjnych. Typowe objawy kliniczne CIE pojawiają się zazwyczaj od kilku minut do 24 h po podaniu środka kontrastowego i obejmują zmiany stanu świadomości (takie jak senność, majaczenie lub śpiączka), ślepotę korową, ogniskowe deficyty neurologiczne (takie jak hemipareza lub afazja) oraz drgawki^4,5,6. Chociaż większość przypadków CIE ma charakter samoograniczający się, a objawy zazwyczaj ustępują w ciągu 48 do 72 h, u niektórych pacjentów mogą wystąpić trwałe uszkodzenia neurologiczne. Ciężkie przypadki mogą nawet doprowadzić do śmierci z powodu masywnego obrzęku mózgu^4,7. Ta nieprzewidywalność wyników podkreśla pilną potrzebę opracowania wiarygodnego narzędzia do wczesnego przewidywania ryzyka w okresie okołooperacyjnym.

Wraz ze wzrostem objętości danych klinicznych tradycyjne metody statystyczne stają się coraz mniej wystarczające w przypadku wysokowymiarowych danych medycznych wykazujących współliniowość. Co więcej, analizy jednowymiarowe lub proste modele regresji logistycznej często nie oddają złożonych, nieliniowych interakcji między zmiennymi. ML oferuje nowy wymiar w rozwiązywaniu tych problemów⁸. Algorytmy ML — takie jak SVM, maszyny gradientowego wzmocnienia (LightGBM) i MLP — potrafią automatycznie identyfikować ukryte wzorce w wysokowymiarowych przestrzeniach cech i konstruować modele nieliniowe o silnych możliwościach predykcyjnych^8,9,10,11. Jednakże, dążąc do wysokiej dokładności prognozowania, „czarnoskrzynkowy” charakter tych algorytmów, charakteryzujący się brakiem interpretowalności, często budzi obawy w kwestii zaufania do podejmowanych decyzji medycznych^12,13. W przeciwieństwie do nich, algorytm Naive Bayes, dzięki prostej logice probabilistycznej i wrodzonej interpretowalności, wykazuje unikalne zalety w klinicznych badaniach na małych próbach^14,15. Poprzez ocenę wkładu prawdopodobieństwa a posteriori każdej zmiennej predykcyjnej w zdarzenie końcowe, model Naive Bayes nie tylko zapewnia wydajność predykcyjną, ale także dostarcza klinicystom intuicyjnych informacji wspierających podejmowanie decyzji. Ponadto, w celu ilościowej oceny niezrównowagi między dawką środka kontrastowego a indywidualną zdolnością do jego usuwania, w niniejszym badaniu innowacyjnie wprowadzono stosunek ilości środka kontrastowego do eGFR (CGR) jako cechę kluczową. U pacjentów z niższą rezerwą czynnościową nerek nawet umiarkowane dawki środków kontrastowych mogą prowadzić do niezwykle wysokich wartości CGR, co może zwiększyć podatność na CIE. CGR może stanowić klinicznie intuicyjną złożoną miarę integrującą obciążenie środkiem kontrastowym i zdolność nerek do jego usuwania, choć jego dodatkowa wartość predykcyjna wymaga dalszej walidacji. Poprzez włączenie tego zintegrowanego biomarkera, celem niniejszego badania było opracowanie ramy predykcyjnej, która dokładniej odzwierciedla rzeczywistość patofizjologiczną.

Podsumowując, celem niniejszego badania było opracowanie i walidacja modelu predykcyjnego CIE opartego na uczeniu maszynowym (ML), wykorzystującego okołooperacyjne zmienne kliniczne i proceduralne¹⁶. Konkretne cele obejmowały: (1) wprowadzenie i ocenę wskaźnika CGR jako eksploracyjnego indeksu złożonego; (2) zbudowanie i porównanie wydajności pięciu modeli ML — Naive Bayes, SVM, KNN, LightGBM oraz MLP; oraz (3) identyfikację optymalnego modelu. Ze względu na ograniczoną liczbę zdarzeń CIE, porównanie modeli miało charakter eksploracyjny i służyło generowaniu hipotez. W ostateczności badanie to może dostarczyć wstępnych ram stratyfikacji ryzyka CIE w praktyce neurointerwencyjnej, jednak nie powinno być ono stosowane jako samodzielne narzędzie do podejmowania decyzji klinicznych bez zewnętrznej walidacji. Podstawy koncepcyjne CGR oraz jego zależność od ekspozycji na kontrast i klirensu nerkowego zilustrowano na Ryc. 1A. Ogólny przebieg badania, obejmujący wstępne przetwarzanie danych, podział na zbiór treningowy i testowy, wybór cech oraz opracowanie modelu, przedstawiono na Ryc. 1B. Ramy porównawczej oceny pięciu modeli ML przedstawiono na Ryc. 1C.

Protokół

Protokół badania został przeanalizowany i zatwierdzony przez Komisję Etyczną Szpitala Generalnego Dowództwa Teatru Północnego (nr zatwierdzenia Ethics Y (2026) 75). Chociaż dane kliniczne pochodziły od pacjentów leczonych między styczniem 2024 r. a grudniem 2025 r., niniejsze badanie zostało przeprowadzone jako retrospektywna analiza istniejących dokumentacji klinicznych. Zgoda etyczna uzyskana w 2026 r. obejmowała retrospektywną ekstrakcję danych, deidentyfikację, analizę oraz publikację tych wcześniej zebranych danych klinicznych. Przed uzyskaniem zgody etycznej nie przeprowadzono żadnych prospektywnych interwencji ani rekrutacji pacjentów. Wymóg uzyskania pisemnej świadomej zgody został zniesiony ze względu na retrospektywny, obserwacyjny charakter badania. Wszystkie procedury zostały przeprowadzone zgodnie z Deklaracją Helsińską, a wszystkie dane kliniczne zostały poddane deidentyfikacji przed analizą. Niniejsza analiza została przeprowadzona w ramach zatwierdzonego retrospektywnego projektu badawczego nad danymi klinicznymi w obszarze neurointerwencji. Materiały i sprzęt wymagane do opisanych poniżej procedur zestawiono w tabeli materiałów.

Rekrutacja pacjentów i określenie CIE

Potencjalnie kwalifikujących się pacjentów zidentyfikowano poprzez przeszukanie elektronicznego systemu dokumentacji medycznej w celu znalezienia osób leczonych w Oddziale Neurochirurgii w General Hospital of Northern Theater Command między styczniem 2024 a grudniem 2025 roku. Wstępne wyszukiwanie ograniczono do daty przyjęcia, oddziału, diagnozy choroby naczyniowo-mózgowej oraz zapisów o zabiegach neurointerwencyjnych. Szczegółowy schemat przesiewowy pacjentów i przydziału do kohort przedstawiono na Rysunku 2. Pacjenci kwalifikowali się do włączenia do badania, jeśli spełniali wszystkie poniższe kryteria: (1) wiek od 30 do 80 lat; (2) diagnoza choroby naczyniowo-mózgowej wymagającej oceny lub leczenia neurointerwencyjnego; (3) dostępność pełnej dokumentacji klinicznej i wyników badań laboratoryjnych; oraz (4) wykonanie pooperacyjnego badania TK głowy w ciągu 3 dni po zabiegu.

Pacjentów wykluczono, jeśli dysponowano niepełnymi danymi klinicznymi lub obrazowymi, nie poddano ich interwencji wewnątrznaczyniowej, wystąpiły ciężkie przedoperacyjne deficyty neurologiczne (wynik w zmodyfikowanej skali Rankin $\ge$4), w przedoperacyjnym obrazowaniu obrazowaniu dyfuzyjnym stwierdzono ostry zawał mózgu, występowała przewlekła choroba nerek w stadium G4 lub wyższym według kryteriów KDIGO (Kidney Disease: Improving Global Outcomes) lub stwierdzono ciężką chorobę sercowo-naczyniową. Kryteria włączenia i wykluczenia stosowano sekwencyjnie. Po wstępnym wyszukiwaniu elektronicznym każdy rekord kandydata został poddany ręcznej weryfikacji w celu potwierdzenia kwalifikacji oraz udokumentowania przyczyny wykluczenia, jeśli była ona właściwa. Po przesiewie zakwalifikowani pacjenci zostali losowo przydzieleni do kohorty treningowej i testowej w stosunku 8:2, w tym do kohorty treningowej (n = 128) oraz kohorty testowej (n = 33). W celu zachowania spójnego rozkładu przypadków CIE i non-CIE pomiędzy obiema kohortami zastosowano stratyfikowany dobór losowy.

Rozpoznanie CIE opierano głównie na związku czasowym między wystąpieniem objawów a procedurami interwencji naczyniowo-mózgowych, w połączeniu z wykluczającą oceną obrazową. Dwóch niezależnych specjalistów interwencji naczyniowo-mózgowych przeanalizowało pooperacyjną dokumentację kliniczną, czas wystąpienia objawów, manifestacje neurologiczne oraz wyniki obrazowania pooperacyjnego we wszystkich podejrzewanych przypadkach. Rozbieżności rozstrzygano w drodze dyskusji aż do osiągnięcia konsensusu. Pacjentów uznawano za spełniających kryteria CIE, jeśli w ciągu 24 h po zakończeniu procedury neurointerwencyjnej wystąpiła nowo powstała ślepota korowa, zaburzenia świadomości (w tym somnolencja, delirium lub śpiączka), napad drgawkowy lub ogniskowe deficyty neurologiczne, takie jak hemipareza lub afazja.

Po wystąpieniu objawów wykluczono alternatywne przyczyny zdolne do wywołania podobnych manifestacji neurologicznych poprzez analizę pooperacyjnych obrazów CT lub MRI wraz z przebiegiem klinicznym. Pooperacyjna tomografia komputerowa (CT) głowy została wykonana zgodnie z instytucjonalnym standardowym protokołem niekontrastowej tomografii komputerowej czaszki. Podstawowe parametry akwizycji obejmowały napięcie lampy 80 kVp, natężenie prądu lampy 260 mA, grubość warstwy 0,5 mm oraz standardową rekonstrukcję osiową. Obrazy analizowali doświadczeni klinicyści w oknach dla mózgowia i kości. W diagnostyce różnicowej uwzględniono ostry krwotok wewnątrzczaszkowy, krwotok podpajęczynówkowy, krwotok wewnątrzczaszkowy, nowo powstały rozległy zawał mózgu, zmiany związane z napadami drgawek, infekcje oraz zaburzenia metaboliczne. Badania CT po wystąpieniu objawów zazwyczaj wykazywały ogniskowy lub rozlany obrzęk mózgu oraz cienie o wysokiej gęstości obejmujące korę, obszary podkorowe lub przestrzeń podpajęczynówkową, co imitowało zmiany krwotoczne. Wyniki MRI zwykle wykazują obrzęk kory, szczególnie w obrębie kory skroniowo-ciemieniowo-potylicznej. U niektórych pacjentów badania CT lub MRI nie wykazały jednak oczywistych nieprawidłowości pomimo zgodnych manifestacji klinicznych.

Pozyskiwanie zmiennych okołoperacyjnych i konstrukcja CGR

Ogólne dane demograficzne, w tym wiek, płeć i masa ciała, zostały pobrane ze ustrukturyzowanych pól w systemie elektronicznej dokumentacji medycznej. Zmienne dotyczące historii klinicznej, w tym historia palenia tytoniu, spożycie alkoholu, nadciśnienie tętnicze, cukrzyca oraz choroba wieńcowa, zostały pobrane z notatek z przyjęcia, historii choroby oraz diagnoz przy wypisie, a następnie zweryfikowano pod kątem spójności. Dane laboratoryjne pobrano z systemu informacji laboratoryjnej. W przypadku każdego pacjenta wykorzystano pierwszą próbkę krwi żylnej pobraną po przyjęciu do szpitala, a przed zabiegiem neurointerwencyjnym. Pobrane zmienne laboratoryjne obejmowały poziom kreatyniny w surowicy, szacowany współczynnik filtracji kłębuszkowej (eGFR), cholesterol całkowity oraz poziom tryglicerydów. eGFR obliczono przy użyciu równania opartego na poziomie kreatyniny opracowanego przez Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI), a dane te uzyskano z szpitalnego systemu informacji laboratoryjnej.

Ponieważ złożoność procedury, ekspozycja na środek kontrastowy oraz lokalizacja zmiany mogą wpływać na przerwanie bariery krew-mózg i retencję środka kontrastowego podczas zabiegów neurointerwencyjnych, do modelu prognostycznego włączono również okołozabiegowe zmienne proceduralne. Zmienne związane z procedurą obejmowały lokalizację zmiany, rodzaj zabiegu, czas trwania procedury, rodzaj środka kontrastowego oraz całkowitą objętość kontrastu. Lokalizację zmiany i rodzaj zabiegu określono na podstawie raportów operacyjnych oraz zapisów angiograficznych. Czas trwania procedury zdefiniowano jako czas od punkcji tętnicy do zakończenia zabiegu neurointerwencyjnego. Całkowitą objętość kontrastu zdefiniowano jako skumulowaną objętość podanego jodowanego środka kontrastowego od początku do końca procedury. Środkami kontrastowymi stosowanymi w niniejszym badaniu były niejonowe ICA, w tym iodixanol (320 mg jodu/mL), podawane zgodnie z instytucjonalną praktyką kliniczną. Wszystkie zabiegi neurointerwencyjne objęte badaniem zostały wykonane pod kontrolą cyfrowej angiografii subtrakcyjnej przez doświadczony zespół neurointerwencyjny w ośrodku badawczym. Wszystkie procedury wykonano z wykorzystaniem dostępu przez tętnicę udową. Podczas interwencji pacjenci otrzymywali śródoperacyjne przeciwkrzepliwe podanie heparyny, a czas zakrzepania krwi (ACT) utrzymywano w zakresie docelowym 250–300 s. Parametry życiowe były monitorowane w sposób ciągły przez cały czas trwania procedury.

Interwencje terapeutyczne, w tym embolizacja tętniaka, angioplastyka i implantacja stentów, były wykonywane w zależności od charakterystyki zmiany oraz decyzji operatora. Odpowiednie mikrocewniki, spirale, stenty lub balony dobierano zgodnie z wymaganiami procedury. Podczas obrazowania angiograficznego i interwencji środki kontrastowe podawano za pomocą wtryskiwaczy wysokociśnieniowych lub ręcznego wlewu ze stałą prędkością. Rodzaj środka kontrastowego oraz całkowita objętość kontrastu zostały pobrane z dokumentacji zabiegowej i zweryfikowane z zapisami anestezjologicznymi lub pielęgniarskimi, jeśli były one dostępne. Dokumentacja z niespójnymi lub niepełnymi informacjami dotyczącymi objętości kontrastu była sprawdzana ręcznie przed włączeniem do końcowego zbioru danych analitycznych.

Wszystkie zmienne związane z procedurą, w tym czas trwania procedury, rodzaj interwencji terapeutycznej, zastosowanie urządzeń oraz zapisy o podaniu środka kontrastowego, zostały systematycznie przeanalizowane i zweryfikowane pod kątem kompletności i spójności przed przeprowadzeniem analizy. Aby ilościowo ocenić brak równowagi między obciążeniem środkiem kontrastowym a zdolnością nerek do jego usuwania, wskaźnik CGR został ustanowiony jako główna zmienna prognostyczna i obliczony zgodnie z poniższym równaniem:

(1)

Całkowitą objętość kontrastu zapisano w mL, a eGFR w mL/min/1,73 m². Wartość eGFR wykorzystana do obliczenia CGR była przedoperacyjną wartością eGFR uzyskaną z pierwszej próbki krwi żylnej pobranej po przyjęciu do szpitala, a przed zabiegiem neurointerwencyjnym. Dla każdego pacjenta obliczono CGR po zweryfikowaniu zarówno całkowitej objętości kontrastu, jak i eGFR. Licznikiem była całkowita objętość kontrastu w mL, a mianownikiem eGFR w mL/min/1,73 m². Tą samą regułę obliczeń zastosowano do wszystkich pacjentów przed opracowaniem modelu.

Wybór cech i przepływ pracy ML

Aby zapewnić solidność analityczną, wszystkie zmienne kliniczne i laboratoryjne poddano systematycznym procedurom kontroli jakości przed analizą. Przed opracowaniem modelu obliczono proporcję brakujących danych dla każdej potencjalnej zmiennej. W końcowym zbiorze danych analitycznych nie zaobserwowano brakujących wartości wśród uwzględnionych predyktorów ani etykiet wyników; w związku z tym żadna zmienna nie została wykluczona z powodu braków i nie było konieczności stosowania wielokrotnej imputacji. Szczegółowe podsumowanie brakujących danych znajduje się w Tabeli uzupełniającej 1.

Wszystkie potencjalne zmienne predykcyjne zostały wstępnie ocenione za pomocą analiz jednowymiarowych w celu zbadania ich powiązań z występowaniem CIE. Metody statystyczne wybrano w zależności od charakterystyki rozkładu danych. Zmienne o rozkładzie normalnym przedstawiono jako średnia ± odchylenie standardowe i porównano za pomocą testu t dla prób niezależnych. Zmienne o rozkładzie nienormalnym przedstawiono jako mediana (rozstęp międzykwartylowy, IQR) i przeanalizowano za pomocą testu U Manna–Whitneya. Zmienne kategoryczne przedstawiono jako liczebności i wartości procentowe, a następnie przeanalizowano za pomocą testu chi-kwadrat lub dokładnego testu Fishera. Istotność statystyczną zdefiniowano jako p < 0.05.

Przed opracowaniem modelu cały zestaw danych został losowo podzielony na kohorty treningową i testową w stosunku 8:2. Aby zminimalizować przeuczenie i ograniczyć współliniowość, do selekcji cech zastosowano regresję LASSO (least absolute shrinkage and selection operator) w połączeniu z 10-krotną walidacją krzyżową. Selekcję cech, dostrajanie hiperparametrów oraz opracowanie modelu przeprowadzono wyłącznie na kohorcie treningowej, aby uniknąć wycieku danych. Wewnętrzna kohorta testowa nie była wykorzystywana podczas szacowania parametrów imputacji, selekcji cech, dostrajania hiperparametrów ani trenowania modelu; została ona użyta tylko raz do końcowej oceny wydajności. Optymalizację hiperparametrów przeprowadzono za pomocą strategii przeszukiwania siatki (grid search) z 10-krotną walidacją krzyżową w obrębie kohorty treningowej. Konkretnie, kohortę treningową podzielono losowo na 10 wzajemnie wykluczających się podzbiorów. Podczas każdej iteracji dziewięć podzbiorów służyło do trenowania modelu, a pozostały podzbiór do walidacji. Proces ten powtórzono 10 razy, aby upewnić się, że każdy podzbiór pełnił rolę kohorty walidacyjnej dokładnie raz.

Wszystkie analizy obliczeniowe przeprowadzono w środowisku Python. Opracowanie i ewaluacja modeli ML zostały wykonane przy użyciu biblioteki scikit-learn. Skrypty analityczne wykorzystane do wstępnego przetwarzania danych, wyboru cech, trenowania modeli, oceny wydajności oraz DCA zostały dostarczone jako uzupełniające pliki z kodem. Do implementacji modeli wykorzystano cechy wybrane w procesie regresji LASSO jako zmienne wejściowe dla wszystkich klasyfikatorów kandydujących. Zmienne ciągłe zostały zestandaryzowane za pomocą normalizacji z-score w kohorcie treningowej, a te same parametry skalowania zastosowano do wewnętrznej kohorty testowej. Zmienne kategoryczne zakodowano zgodnie z predefiniowanym schematem kodowania; definicje zmiennych i schemat kodowania znajdują się w Supplementary Table 2. Zaimplementowano pięć klasyfikatorów: gausowski naiwny klasyfikator Bayesa (Gaussian Naive Bayes), SVM, KNN, LightGBM oraz MLP. W przypadku SVM dostrojono typ jądra, parametr regularyzacji C oraz współczynnik jądra gamma. Dla KNN dostrojono liczbę sąsiadów oraz strategię ważenia odległości. W przypadku LightGBM dostrojono liczbę estymatorów, szybkość uczenia (learning rate), maksymalną głębokość drzewa oraz liczbę liści. Dla MLP dostrojono strukturę warstw ukrytych, funkcję aktywacji, parametr regularyzacji oraz szybkość uczenia. Gausowski naiwny klasyfikator Bayesa zaimplementowano z określonymi ustawieniami wygładzania wariancji (variance smoothing). Optymalna kombinacja hiperparametrów dla każdego modelu została wybrana na podstawie wyników walidacji krzyżowej w kohorcie treningowej. Końcowe zoptymalizowane kombinacje hiperparametrów wybrane dla każdego modelu podsumowano w Supplementary Table 3. Po wyborze hiperparametrów każdy końcowy model został ponownie dopasowany do pełnej kohorty treningowej i raz oceniony w wewnętrznej kohorcie testowej.

Porównania wydajności modeli

Na podstawie wybranych predyktorów opracowano i porównano pięć modeli ML. Wydajność modeli oceniano zarówno w kohorcie treningowej, jak i testowej, wykorzystując pole pod krzywą charakterystyki operacyjnej odbiornika (AUC), 95% przedział ufności (95% CI), czułość, swoistość oraz dokładność. Wygenerowano krzywe charakterystyki operacyjnej odbiornika, aby porównać zdolność różnicującą poszczególnych modeli. Optymalny próg klasyfikacji dla każdego modelu wyznaczono wyłącznie w kohorcie treningowej przy użyciu indeksu Youdena. Wyznaczony próg został następnie ustalony i zastosowany bez zmian w wewnętrznej kohorcie testowej w celu obliczenia parametrów wydajności zależnych od progu.

Analiza krzywej decyzyjnej

Analizę krzywej decyzji (DCA) przeprowadzono poprzez obliczenie korzyści netto każdego modelu dla zakresu prawdopodobieństw progowych i porównanie strategii opartej na modelu z dwiema strategiami domyślnymi: leczeniem wszystkich pacjentów oraz nieleczeniem żadnego z pacjentów. Wybrano DCA, ponieważ pozwala ona na jednoczesną ocenę wydajności dyskryminacyjnej i potencjalnej przydatności klinicznej w procesach podejmowania decyzji w okresie okołooperacyjnym. Aby ułatwić reprodukowalność, pełny schemat postępowania zrealizowano w następującej kolejności: identyfikacja pacjentów w systemie elektronicznej dokumentacji medycznej, zastosowanie kryteriów włączenia i wykluczenia, ocena CIE przez dwóch niezależnych specjalistów, ekstrakcja i wzajemna weryfikacja zmiennych demograficznych, historii klinicznej, laboratoryjnych oraz związanych z procedurą, obliczenie CGR, ocena brakujących danych i podział na kohorty treningową i testową, wybór cech metodą LASSO w kohorcie treningowej, dostrojenie hiperparametrów poprzez 10-krotną walidację krzyżową, końcowe dopasowanie modelu w pełnej kohorcie treningowej, wewnętrzna ocena kohorty testowej, ocena wydajności w oparciu o ROC, wyznaczenie progu na podstawie indeksu Youdena oraz DCA.

Wyniki

Rekrutacja pacjentów i wyznaczenie CIE

W badaniu ujęto łącznie 161 pacjentów poddanych procedurom neurointerwencyjnym, z których u 12 (7,5%) wystąpiło CIE, natomiast u 149 (92,5%) nie. Szczegółowy proces przesiewowy i grupowanie pacjentów przedstawiono na Rysunku 2. Rozpoznanie CIE postawiono na podstawie związku czasowego między wystąpieniem objawów a procedurami neurointerwencyjnymi, w połączeniu z wynikami badań obrazowych wykluczającymi inne przyczyny. Reprezentatywne wyniki neuroobrazowania w CIE przedstawiono na Rysunku 3A–D.

Bazowe cechy demograficzne, kliniczne, laboratoryjne i proceduralne obu grup zostały podsumowane w Tabeli 1. Nie zaobserwowano istotnych różnic między grupą CIE a grupą non-CIE pod względem wieku, rozkładu płci lub masy ciała (wszystkie p > 0,05). Podobnie częstość występowania typowych chorób współistniejących, w tym nadciśnienia tętniczego, cukrzycy i choroby wieńcowej, nie różniła się istotnie między obiema grupami (wszystkie p > 0,05). Czynniki związane ze stylem życia, takie jak spożycie alkoholu i palenie tytoniu, były również porównywalne.

W przeciwieństwie do tego, kilka zmiennych związanych z laboratorium i procedurą wykazało istotne różnice między dwiema grupami. Pacjenci w grupie CIE mieli istotnie wyższe poziomy kreatyniny w surowicy w porównaniu z pacjentami w grupie non-CIE (mediana: 85,2 vs 65,3 µmol/L, p = 0,004), podczas gdy ich eGFR był istotnie niższy (mediana: 81 vs 102,7 mL/min/1,73 m², p < 0,001). Odnośnie do charakterystyki procedur, zabiegi embolizacji były istotnie częstsze w grupie CIE niż w grupie non-CIE (41,7% vs 2,0%, p < 0,001). Ponadto zmiany w krążeniu tylnym były istotnie częstsze u pacjentów, u których wystąpiło CIE (58,3% vs 6,0%, p < 0,001). Nie zaobserwowano istotnej różnicy w rodzaju zastosowanego środka kontrastowego między dwiema grupami (p = 0,982). Co więcej, pacjenci w grupie CIE otrzymali istotnie większą objętość środka kontrastowego podczas procedury (mediana: 200,0 vs 165,0 mL, p = 0,005) i mieli dłuższy czas trwania zabiegu (mediana: 78,5 vs 50,0 min, p = 0,008). Warto zauważyć, że wskaźnik CGR, będący złożonym indeksem zaproponowanym w niniejszym badaniu, był istotnie wyższy w grupie CIE w porównaniu z grupą non-CIE (mediana: 2,35 vs 1,63, p < 0,001), co wskazuje na silny związek między CGR a występowaniem CIE.

Pozyskiwanie zmiennych okołoperacyjnych i konstrukcja CGR

Perioperacyjne zmienne demograficzne, laboratoryjne i proceduralne były systematycznie gromadzone i analizowane zgodnie z opisem w protokole. Wśród tych zmiennych wskaźnik CGR, zdefiniowany jako stosunek całkowitej objętości kontrastu do eGFR, został opracowany jako wskaźnik złożony odzwierciedlający równowagę między ekspozycją na środek kontrastowy a wydolnością klirensu nerkowego. W tej kohorcie CGR był powiązany z występowaniem CIE i został uwzględniony jako potencjalny predyktor w analizach selekcji cech i opracowywania modelu. Aby porównać CGR z jego poszczególnymi komponentami, przeprowadzono porównawczą analizę ROC z wykorzystaniem CGR, całkowitej objętości kontrastu oraz eGFR. CGR wykazał najwyższą zdolność dyskryminacyjną w odniesieniu do CIE, z AUC wynoszącym 0,959 (95% CI: 0,924–0,985), w porównaniu z całkowitą objętością kontrastu (AUC = 0,745, 95% CI: 0,559–0,886) oraz eGFR analizowanym w odwrotnym kierunku ryzyka (AUC = 0,865, 95% CI: 0,764–0,951). Różnica AUC między CGR a całkowitą objętością kontrastu wyniosła 0,214, a różnica AUC między CGR a eGFR wyniosła 0,093. Szczegółowe wyniki przedstawiono w Tabeli uzupełniającej 4.

Selekcja cech i schemat pracy ML

Aby zidentyfikować najistotniejsze predyktory przy jednoczesnej minimalizacji współliniowości, do zmiennych kandydujących zastosowano regresję LASSO z 10-krotną walidacją krzyżową. Profil współczynników oraz krzywe walidacji krzyżowej modelu LASSO przedstawiono w Rysunek 4A i Rycina 4Bodpowiednio. Ranking współczynników LASSO dla modelu końcowego przedstawiono w Rysunek 5W optymalnych λ wartość, zachowano podzbiór zmiennych, w tym CGR, rodzaj procedury, lokalizację zmiany, poziom triglicerydów, kreatyninę w surowicy, eGFR oraz kilka klinicznych współzmiennych. Ilościowy ranking zachowanych predyktorów na podstawie współczynników LASSO przedstawiono w Tabela uzupełniająca 5.

Porównanie wydajności modeli

Opracowano pięć podejść opartych na uczeniu maszynowym (ML) — Naive Bayes, SVM, KNN, LightGBM i MLP — w celu przewidywania ryzyka wystąpienia CIE. Ich wydajność w zbiorach treningowych i testowych podsumowano w Tabeli 2, porównanie dokładności pięciu modeli przedstawiono na Rysunku 6, a odpowiadające im macierze pomyłek znajdują się w Rysunku uzupełniającym 1, Rysunku uzupełniającym 2, Rysunku uzupełniającym 3, Rysunku uzupełniającym 4 oraz Rysunku uzupełniającym 5. Ze względu na znaczny brak równowagi w zbiorze danych (12 przypadków CIE i 149 przypadków non-CIE), dokładność oraz metryki oparte na progach należy interpretować ostrożnie i w połączeniu z czułością, swoistością, AUC oraz przedziałami ufności. W zbiorze treningowym wszystkie modele wykazały dobrą zdolność dyskryminacyjną, z wartościami AUC w zakresie 0,961–0,999. W wewnętrznym zbiorze testowym model Naive Bayes wykazał najwyższy wynik liczbowy (AUC = 0,952, 95% CI: 0,843–1,000), a następnie LightGBM (AUC = 0,944, 95% CI: 0,822–1,000) oraz SVM (AUC = 0,935, 95% CI: 0,796–1,000).

Przy optymalnym progu klasyfikacji wyznaczonym za pomocą indeksu Youdena, model Naive Bayes wykazał czułość na poziomie 100% i swoistość na poziomie 90,3%. Ponieważ nie przeprowadzono formalnych parowych porównań statystycznych między wartościami AUC modeli, zaobserwowane różnice między modelami należy interpretować jako opisowe i eksploracyjne. Ponadto, ze względu na znaczny brak równowagi w zbiorze danych oraz małą kohortę testową wewnętrzną z bardzo ograniczoną liczbą zdarzeń CIE, metryki oparte na progu, takie jak czułość i swoistość, mogą być niestabilne i powinny być interpretowane z ostrożnością. Krzywe charakterystyki operacyjnej odbiornika (ROC) modelu Naive Bayes w zbiorach treningowym i testowym przedstawiono na Rysunku 7.

Mimo że model MLP wykazał wysoką skuteczność w zbiorze treningowym (AUC = 0.961), jego wydajność znacząco spadła w zbiorze testowym (AUC = 0.742), co sugeruje potencjalne przeuczenie. Podobnie model KNN wykazał ograniczoną zdolność dyskryminacyjną w zbiorze testowym (AUC = 0.718) przy szerokim przedziale ufności, co wskazuje na niestabilność. Do wyznaczenia optymalnego progu klasyfikacji dla metryk zależnych od progu, w tym czułości, swoistości i dokładności, zastosowano strategię opartą na indeksie Youdena. Wartości ROC-AUC same w sobie są niezależne od progu. Zatem raportowane metryki wydajności zależne od progu odzwierciedlają zachowanie modelu w optymalnym punkcie pracy. Optymalne progi Youdena oraz odpowiadające im metryki oparte na progach przedstawiono w Tabeli uzupełniającej 6. Ogólnie rzecz biorąc, model Naive Bayes wykazał stosunkowo stabilną wydajność opisową pomiędzy zbiorem treningowym a wewnętrznym zbiorem testowym, przy minimalnym spadzeniu numerycznym AUC.

Analiza krzywej decyzyjnej

Przeprowadzono analizę krzywych decyzji (DCA), aby ocenić użyteczność kliniczną modeli w zakresie różnych prawdopodobieństw progowych. Krzywe DCA przedstawiono na Rysunku 8. Wszystkie modele wykazały dodatnią korzyść netto w określonych zakresach prawdopodobieństw progowych w porównaniu ze strategiami „lecz wszystkich” oraz „nie lecz nikogo”. Spośród ocenianych modeli SVM wykazał najszerszy zakres dodatniej korzyści netto, natomiast pozostałe modele również wykazały potencjalną użyteczność kliniczną w określonych zakresach progowych.

DOSTĘPNOŚĆ DANYCH:

Zanonimizowane surowe dane wykorzystane do przeprowadzenia głównych analiz zostały przesłane do repozytorium GitHub i są dostępne pod adresem: https://doi.org/10.5281/zenodo.20043331. Wszystkie bezpośrednie identyfikatory pacjentów zostały usunięte przed udostępnieniem danych. Ponieważ badanie to było retrospektywnym badaniem klinicznym opartym na szpitalnej dokumentacji medycznej, dostęp do jakichkolwiek dodatkowych informacji na poziomie pacjenta pozostaje ograniczony ze względu na instytucjonalne wymogi etyczne i dotyczące prywatności. Dodatkowe zanonimizowane dane mogą zostać udostępnione przez autora korespondencyjnego na uzasadnioną prośbę i po uzyskaniu zgody instytucjonalnej komisji etycznej. Skrypty analizy statystycznej, kod trenujący model ML oraz kod generujący rysunki zostały dołączone jako pliki uzupełniające w celu zapewnienia powtarzalności wyników.

Rycina 1: Schemat modelowania ryzyka CIE w oparciu o dane okołooperacyjne. (A) Mechanizmy CIE i wyprowadzenie stosunku objętości kontrastu do eGFR (CGR). (B) Integracja danych i selekcja cech metodą LASSO. (C) Opracowanie i porównanie modeli ML, w których model Naive Bayes wykazał najwyższą wartość numeryczną AUC w wewnętrznym zbiorze testowym (AUC ≈ 0,95). Skróty: CIE = encefalopatia indukowana kontrastem; CGR = stosunek objętości kontrastu do eGFR; eGFR = szacowany współczynnik filtracji kłębuszkowej; AUC = pole pod krzywą. Rycina została opracowana na podstawie własnych danych klinicznych autorów, a ilustracja schematyczna została stworzona przez autorów przy użyciu zmodyfikowanych ikon programu Microsoft PowerPoint. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Rycina 2: Wybór pacjentów i przydział do kohort. Schemat blokowy ilustrujący przesiew pacjentów, ocenę kwalifikowalności, kryteria wykluczenia i przydział do kohort. Początkowo oceniono łącznie 225 pacjentów. Po zastosowaniu kryteriów włączenia, obejmujących wiek od 30 do 80 lat, dostępność pełnych danych klinicznych oraz wykonanie pooperacyjnej tomografii komputerowej (CT) głowy w ciągu 3 dni, kwalifikowalnych było 190 pacjentów. Pacjentów wykluczono ze względu na ostry zawał mózgu, przewlekłą chorobę nerek w stadium ≥ G4 (eGFR < 30 mL/min/1.73 m²), ciężką chorobę sercowo-naczyniową, brak leczenia endowaskularnego, ciężki deficyt neurologiczny (wynik w zmodyfikowanej skali Rankina mRS ≥ 4) lub niekompletne dane. Ostatecznie włączono 161 pacjentów, których następnie losowo podzielono na kohortę treningową (n = 128) i wewnętrzną kohortę testową (n = 33) w stosunku 8:2. Skróty: CT = tomografia komputerowa; eGFR = szacowany współczynnik filtracji kłębuszkowej; CKD = przewlekła choroba nerek; mRS = zmodyfikowana skala Rankina. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Rysunek 3: Seryjne obrazy TK bez kontrastu u pacjenta z CIE. (A) Wyjściowa TK przed procedurą. (B) TK w momencie wystąpienia objawów wykazująca hiperdensyjność korową w prawym płacie ciemieniowym (strzałka). (C) TK w pierwszym dniu po operacji wykazująca częściową regresję. (D) TK w drugim dniu po operacji wykazująca dalszą regresję. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Rycina 4: Wybór cech oparty na metodzie LASSO. (A) Krzywa dziesięciokrotnej walidacji krzyżowej użyta do wyznaczenia optymalnej wartości λ na podstawie minimalnego MSE. (B) Profile współczynników zmiennych kandydackich wykreślone w funkcji log(λ), pokazujące zmiany współczynników zmiennych wraz ze wzrostem siły regularyzacji. Skróty: LASSO = least absolute shrinkage and selection operator; λ = parametr regularyzacji; MSE = średni błąd kwadratowy. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rycina 5: Współczynniki wybranych zmiennych. Wykres słupkowy przedstawiający współczynniki zmiennych zachowanych po selekcji LASSO. Współczynniki dodatnie wskazują na korelację dodatnią, a współczynniki ujemne na korelację odwrotną. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rysunek 6: Dokładność treningowa i testowa pięciu modeli ML. Dokładność pięciu modeli ML (Naive Bayes, SVM, KNN, LightGBM, MLP) w zbiorach treningowym i testowym. Skróty: SVM = maszyna wektorów nośnych; KNN = k-najbliższych sąsiadów; LightGBM = lekka maszyna wzmacniania gradientowego; MLP = wielowarstwowy perceptron. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Rysunek 7: Krzywe ROC modelu Naive Bayes. Krzywe charakterystyki operacyjnej odbiornika (ROC) dla kohort treningowej i wewnętrznej testowej wraz z odpowiadającymi im wartościami pola pod krzywą (AUC). Skróty: ROC = receiver operating characteristic; AUC = area under the curve. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Rysunek 8: Analiza krzywej decyzyjnej.DCA przedstawiająca korzyść netto różnych modeli w zależności od prawdopodobieństw progowych w porównaniu ze strategiami „lecz wszystkich” (treat-all) i „nie lecz nikogo” (treat-none). Zacieniowane obszary wskazują zakresy prawdopodobieństwa progowego, w których model osiągnął dodatnią korzyść netto w porównaniu z obiema strategiami: „lecz wszystkich” i „nie lecz nikogo”. Skróty: DCA = analiza krzywej decyzyjnej (decision curve analysis). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Rycina uzupełniająca 1: Macierz pomyłek modelu Naive Bayes w wewnętrznej kohorcie testowej.Macierz przedstawia liczbę prawidłowo i błędnie zaklasyfikowanych próbek przy wybranym progu klasyfikacji.Prosimy kliknąć tutaj, aby pobrać ten plik.

Rycina uzupełniająca 2: Macierz pomyłek modelu SVM w wewnętrznej kohorcie testowej. Macierz przedstawia liczbę poprawnie i błędnie sklasyfikowanych próbek przy wybranym progu klasyfikacji.Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 3: Macierz pomyłek modelu KNN w wewnętrznej kohorcie testowej.Macierz przedstawia liczbę poprawnie i błędnie sklasyfikowanych próbek przy wybranym progu klasyfikacji.Kliknij tutaj, aby pobrać ten plik.

Rycina uzupełniająca 4: Macierz pomyłek modelu LightGBM w wewnętrznej kohorcie testowej.Macierz przedstawia liczbę próbek zakwalifikowanych prawidłowo i błędnie dla wybranego progu klasyfikacji.Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 5: Macierz pomyłek modelu MLP w wewnętrznej kohorcie testowej. Macierz przedstawia liczbę poprawnie i błędnie sklasyfikowanych próbek przy wybranym progu klasyfikacji.Kliknij tutaj, aby pobrać ten plik.

Cecha	CIE ( n = 12 )	Nie-CIE ( n = 149 )	Wartość p
Dane demograficzne
Wiek (lat), mediana (IQR)	67 (62.5–69.0 )	63 ( 55.0–70.0 )	0.194
Mężczyźni, n (%)	9 (75.0)	105 (70.5)	1.000
Masa ciała (kg), mediana (IQR)	65 (55.0–70.0)	70 (60.0–77.5)	0.160
Choroby współistniejące, n (%)
Nadciśnienie tętnicze	7 (58.3)	102 (68.5)	0.526
Cukrzyca	4 (33.0)	57 (38.3)	1.000
Choroba niedokrwienna serca	2 (16.7)	23 (15.4)	1.000
Nawyki, n (%)
Spożycie alkoholu	7 (58.3)	78 (52.3)	0.770
Status palenia	7 (58.3)	59 (39.6)	0.233
Wartości laboratoryjne, mediana (IQR)
Kreatynina w surowicy (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
Cholesterol całkowity (mmol/L)	3.3 (3.0–4.4)	3.4 (2.9–4.1)	0.775
Triglicerydy (mmol/L)	1.8 (1.2–2.1)	1.2 (0.8–1.6)	0.017
Charakterystyka procedury
Rodzaj procedury, n ( % )			<0.001
- Angioplastyka ze stentem	7 (58.3)	146(98.0)
- Embolizacja	5 (41.7)	3 (2.0)
Lokalizacja zmiany, n (%)			<0.001
- Krążenie tylne	7 (58.3)	9 (6.0)
- Krążenie przednie	5 (41.7)	140 (94.0)
Rodzaj środka kontrastowego, n (%)			0.982
- 2. generacji	6 (50.0)	75 (50.3)
- 3. generacji	6(50.0)	74 (49.7)
Całkowita objętość kontrastu (mL), mediana (IQR)	200 (188.0–200.0)	165 (155.0–180.0)	0.005
Czas trwania procedury (min), mediana (IQR)	78.5 (52.5–124.5)	50 (47.0–57.0)	0.008
Nowy wskaźnik
CGR, mediana (IQR)	2.35 (2.17–2.70)	1.63 (1.40–1.85)	<0.001

Tabela 1: Baseline charakterystyka kliniczna pacjentów. Porównano charakterystykę demograficzną, kliniczną, laboratoryjną oraz związaną z procedurami pacjentów w grupach CIE i non-CIE. Zmienne ciągłe przedstawiono jako średnia ± odchylenie standardowe lub mediana (rozstęp międzykwartylowy), a zmienne kategoryczne jako liczba i procent. Porównania statystyczne między grupami przeprowadzono przy użyciu odpowiednich testów parametrycznych lub nieparametrycznych. Skróty: CIE = encefalopatia indukowana kontrastem; eGFR = szacowany współczynnik filtracji kłębuszkowej; CGR = stosunek objętości kontrastu do eGFR; IQR = rozstęp międzykwartylowy; SD = odchylenie standardowe.

Nazwa modelu	Dokładność	AUC	95% CI	Czułość	Swoistość	Zbiór danych
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	treningowy
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	testowy
SVM	0.992	0.999	0.997–1.000	1.0	0.992	treningowy
SVM	0.879	0.935	0.796–1.000	1.0	0.871	testowy
KNN	0.891	0.969	0.941–0.997	1.0	0.881	treningowy
KNN	0.939	0.718	0.194–1.000	0.5	0.968	testowy
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	treningowy
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	testowy
MLP	0.914	0.961	0.908–1.000	0.9	0.915	treningowy
MLP	0.970	0.742	0.228–1.000	0.5	1.000	testowy

Tabela 2: Porównanie wydajności modeli. Wydajność predykcyjna różnych modeli ML została oceniona za pomocą dokładności (accuracy), pola pod krzywą (AUC), 95% przedziału ufności (CI), czułości i swoistości w zbiorach treningowych oraz wewnętrznych zbiorach testowych. Skróty: CI = przedział ufności.

Tabela uzupełniająca 1: Podsumowanie oceny brakujących danych przed opracowaniem modelu. Podsumowanie brakujących wartości dla wszystkich kandydackich zmiennych predykcyjnych przed opracowaniem modelu. Wśród uwzględnionych zmiennych nie zaobserwowano brakujących wartości; w związku z tym nie przeprowadzono procedury imputacji.Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 2: Słownik zmiennych analitycznego zbioru danych. Definicje, metody kodowania, kategorie zmiennych oraz opisy zmiennych klinicznych, laboratoryjnych i związanych z procedurami, uwzględnionych w analizie ML.Prosimy kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 3: Przestrzeń poszukiwań hiperparametrów i wybrane parametry dla modeli ML. Zestawiono zakresy kandydujących hiperparametrów oraz zoptymalizowane parametry uzyskane podczas dostrajania modeli dla każdego algorytmu ML.Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 4: Porównawcza analiza ROC dla CGR i jego poszczególnych składników. Przeprowadzono analizę charakterystyki operacyjnej odbiornika (ROC) w celu porównania wydajności predykcyjnej CGR oraz jego poszczególnych składników w przewidywaniu CIE.Aby pobrać ten plik, kliknij tutaj.

Tabela uzupełniająca 5: Ilościowy ranking cech na podstawie współczynników LASSO. Wybrane zmienne zostały uszeregowane zgodnie z wartościami ich współczynników po regresji LASSO, co obrazuje relatywny wkład oraz kierunek związku każdej zmiennej w modelu predykcyjnym.Prosimy kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 6: Progi Youdena określone w kohorcie treningowej oraz odpowiadające im wskaźniki wydajności klasyfikacji. Optymalny próg dla każdego modelu został określony wyłącznie w kohorcie treningowej przy użyciu indeksu Youdena, a następnie ustalony i zastosowany do wewnętrznej kohorty testowej. Dokładność, czułość i swoistość w wewnętrznej kohorcie testowej obliczono przy użyciu tych ustalonych progów.Kliknij tutaj, aby pobrać ten plik.

Dyskusja

CIE jest rzadkim, lecz potencjalnie poważnym powikłaniem po zabiegach neurointerwencyjnych, charakteryzującym się ostrą dysfunkcją neurologiczną, która występuje krótko po podaniu środków kontrastowych. Chociaż stan ten jest zazwyczaj odwracalny, w niektórych przypadkach może prowadzić do trwałych deficytów neurologicznych, a nawet do wyników zagrażających życiu, co podkreśla znaczenie wczesnej identyfikacji ryzyka^17,18,19,20. Jednak mechanizmy patofizjologiczne leżące u podstaw CIE są złożone i wieloczynnikowe, obejmując interakcje między czynnikami specyficznymi dla pacjenta, właściwościami środka kontrastowego a charakterystyką procedury^{9,10,21,22,23,24}. Ta złożoność sprawia, że przeprowadzenie dokładnej okołoperacyjnej oceny ryzyka w oparciu wyłącznie o pojedyncze zmienne kliniczne lub ocenę empiryczną jest niezwykle trudne.

W niniejszym badaniu zbudowano i oceniono pięć modeli ML w celu przewidywania ryzyka wystąpienia CIE u pacjentów poddawanych interwencji naczyniowo-mózgowej. Po opisowym porównaniu wyników zidentyfikowano model Naive Bayes jako model o najbardziej zrównoważonej wydajności opisowej w tym badaniu. Pod względem zdolności dyskryminacyjnej modelu, model Naive Bayes wykazał najwyższą numeryczną wartość AUC w wewnętrznej kohorcie testowej (AUC = 0,952; 95% CI: 0,843–1,000) w porównaniu z LightGBM (AUC = 0,944; 95% CI: 0,822–1,000), SVM (SVM; AUC = 0,935; 95% CI: 0,796–1,000), MLP (MLP; AUC = 0,742; 95% CI: 0,228–1,000) oraz algorytmem KNN (KNN; AUC = 0,718, 95% CI: 0,195–1,000). Ponieważ nie przeprowadzono formalnego statystycznego porównania parowego AUC modeli, różnice te należy interpretować jako opisowe, a nie jako definitywny dowód na wyższość modelu. Warto zauważyć, że modele KNN i MLP radziły sobie dobrze w zbiorze treningowym (odpowiednio AUC = 0,969 i 0,961), ale ich wydajność znacznie spadła w zbiorze testowym, co sugeruje możliwe przeuczenie²⁵. W przeciwieństwie do nich, model Naive Bayes utrzymał podobne opisowe wartości AUC pomiędzy kohortą treningową a wewnętrzną kohortą testową (różnica AUC = 0,009), co sugeruje stosunkowo stabilną wydajność opisową w tym zbiorze danych. Jednak tę pozorną stabilność należy interpretować ostrożnie, ponieważ wewnętrzna kohorta testowa obejmowała jedynie 33 pacjentów i bardzo ograniczoną liczbę zdarzeń CIE.

Z praktycznego punktu widzenia stosunkowo prosta struktura probabilistyczna klasyfikatora Naive Bayes może być odpowiednia dla klinicznych zbiorów danych o małej liczebności, szczególnie gdy liczba zdarzeń końcowych jest ograniczona. W niniejszym badaniu model Naive Bayes wykazał stosunkowo zrównoważoną wydajność opisową pomiędzy kohortą treningową a wewnętrzną kohortą testową. Jednakże, ze względu na to, że wewnętrzna kohorta testowa była mała i zawierała bardzo niewiele zdarzeń CIE, tę pozorną stabilność należy interpretować ostrożnie i wymaga ona walidacji zewnętrznej. Stosunkowo korzystna wydajność opisowa modelu Naive Bayes w tym zbiorze danych może wynikać z jego prostej struktury probabilistycznej oraz przydatności w warunkach małych prób przy założeniu niezależności cech^14,15. W przeciwieństwie do niego, bardziej złożone modele, takie jak MLP i LightGBM, są bardziej podatne na przeuczenie w warunkach ograniczonej liczby próbek, co tym samym zmniejsza ich zdolność do generalizacji. Wyniki te sugerują również, że w badaniach o wysokim ryzyku zorientowanych klinicznie, takich jak neurointerwencje, wybór modelu powinien kłaść większy nacisk na stabilność, powtarzalność i wykonalność kliniczną, zamiast ślepo dążyć do absolutnej przewagi złożonych algorytmów lub pojedynczych wskaźników wydajności. Analiza DCA sugeruje, że model Naive Bayes może zapewniać korzyść netto w wybranych progach prawdopodobieństwa, jednak wynik ten ma charakter eksploracyjny i wymaga walidacji zewnętrznej. Co więcej, jego prosta struktura, efektywność obliczeniowa i interpretowalność mogą wspierać jego przyszłą ocenę jako eksploracyjnego modelu stratyfikacji ryzyka okołoperacyjnego, lecz przed wdrożeniem klinicznym wymagana jest walidacja zewnętrzna. Z perspektywy klinicznej zapadalność na CIE w niniejszym badaniu wyniosła 7,5%, co jest wartością wyższą niż 2%–5% zazwyczaj dokumentowane w poprzednich raportach⁷. Ta rozbieżność wynika w dużej mierze z wysokiej selektywności populacji badanej: kohorta skupiała się na pacjentach z chorobami naczyniowymi mózgu, którzy zostali poddani złożonym zabiegom neurointerwencyjnym, takim jak embolizacja tętniaka. Wyjątkowy kontrast między wzorcami podawania środka kontrastowego związanymi z tymi procedurami, takimi jak angiografia superselektywna i lokalna retencja wysokich dawek, a także dłuższy czas trwania zabiegów, są uznanymi czynnikami ryzyka CIE^9,10,26. Ponadto wyższe ryzyko wyjściowe pacjentów dodatkowo podnosi ogólną stopę zapadalności. Wyniki badania podkreślają, że zmiany w krążeniu tylnym oraz procedury embolizacji są silnymi predyktorami CIE. Pod względem anatomicznym krążenie tylne (układ kręgowo-podstawny) zaopatruje pień mózgu, móżdżek i płat potyliczny. Płat potyliczny wykazuje niezwykle wysoką wrażliwość na toksyczność środka kontrastowego, co wyjaśnia, dlaczego pacjenci z CIE często prezentują ślepotę korową. Ponadto charakterystyka hemodynamiczna układu kręgowo-podstawnego różni się od charakterystyki krążenia przedniego, co może częściowo wyjaśniać obserwowaną w tej kohorcie zależność między zmianami w krążeniu tylnym a CIE.

Procedury embolizacji są zazwyczaj bardziej wymagające niż zwykła angioplastyka, wymagając częstej superselektywnej angiografii w celu potwierdzenia położenia spirali oraz zakresu zamknięcia zakrzepowego, co skutkuje znacznie wyższą szczytową ekspozycją łoża naczyniowego na środek kontrastowy w jednostce czasu w porównaniu z rutynowymi procedurami. Ta intensywna i miejscowa ekspozycja na kontrast może być biologicznie prawdopodobnym czynnikiem przyczyniającym się do przerwania bariery krew-mózg (BBB), choć mechanizmu tego nie udało się bezpośrednio zweryfikować w niniejszym badaniu retrospektywnym. Zgodnie z analizą charakterystyki wyjściowej, pacjenci w grupie CIE mieli znacznie wyższy odsetek leczenia embolizacyjnego oraz większą proporcję zmian w krążeniu tylnym w porównaniu z pacjentami w grupie non-CIE, co sugeruje, że złożoność zabiegu i anatomiczna lokalizacja zmiany mogą być powiązane z wystąpieniem CIE. Ponadto dłuższy czas trwania procedury i większe całkowite zużycie środka kontrastowego w grupie CIE dodatkowo podkreślają skumulowany wpływ stresorów związanych z operacją na ryzyko rozwoju CIE.

Aby zwiększyć kliniczną interpretowalność modelu, w niniejszym badaniu oceniono CGR jako eksploracyjny wskaźnik złożony. Ryzyko wystąpienia CIE zależy nie tylko od bezwzględnej dawki środka kontrastowego dostającego się do naczyń mózgowych, ale jest również ściśle powiązane z szybkością usuwania środka kontrastowego z krążenia systemowego. CGR integruje całkowitą objętość kontrastu oraz eGFR w jeden złożony wskaźnik odzwierciedlający obciążenie środkiem kontrastowym w stosunku do wydolności klirensu nerkowego. Takie podejście projektowe opiera się na dobrze ugruntowanym paradygmacie opartym na stosunkach stosowanym w przewidywaniu nefropatii kontrastowej (CIN), takim jak stosunek objętości środka kontrastowego do eGFR²⁷, i jest zgodne z aktualnymi strategiami tworzenia kompleksowych biomarkerów, takich jak stosunek neutrofili do limfocytów (NLR)²⁸ oraz indeks triglicerydów i glukozy (TyG)²⁹, z których wszystkie mają na celu ujawnienie podstawowych stanów patofizjologicznych chorób. Jodowe środki kontrastowe są wydalane głównie przez nerki w formie niezmienionej. W przypadku zmniejszenia klirensu nerkowego ekspozycja systemiczna na jodowe środki kontrastowe może być przedłużona, co może zwiększyć ekspozycję śródbłonka na środki kontrastowe. Podczas procedur neurointerwencyjnych środki kontrastowe są często wstrzykiwane bezpośrednio do krążenia mózgowego przez tętnice szyjne wewnętrzne lub kręgowe w wysokich stężeniach; lokalnie ekstremalny gradient ciśnienia osmotycznego może naruszyć integralność BBB³⁰. W takim przypadku, jeśli klirens systemowy jest upośledzony, nagromadzony w krwiobiegu środek kontrastowy może nadal utrzymywać gradient stężeń przez BBB, napędzając dyfuzję środka kontrastowego do przestrzeni śródmiąższowej mózgu. Co więcej, CGR może stanowić klinicznie intuicyjny sposób integracji obciążenia kontrastem i klirensu nerkowego, jednak jego przyrostowa wartość prognostyczna w porównaniu do samej objętości kontrastu lub eGFR wymaga dalszej walidacji. Zatem CGR może służyć jako wskaźnik eksploracyjny do okołooperacyjnej stratyfikacji ryzyka CIE.

W badaniu tym stwierdzono, że rodzaj środka kontrastowego (drugiej generacji niskosmolarny vs. trzeciej generacji izosmolarny) nie posiadał istotnej, niezależnej wartości prognostycznej dla CIE (p = 0,982). Wynik ten nie jest w pełni zgodny z niektórymi wcześniejszymi raportami. Jednym z możliwych wyjaśnień jest fakt, że czynniki inne niż osmolarność, takie jak toksyczność chemiczna lub lepkość, mogą przyczyniać się do neurotoksyczności środków kontrastowych; jednak interpretacja ta pozostaje spekulatywna i wymaga dalszej walidacji mechanistycznej. Interpretacja ta znajduje potwierdzenie w poprzednich badaniach klinicznych i mechanistycznych^31,32. Ponadto w praktyce klinicznej operatorzy mogą preferencyjnie dobierać izosmolarne środki kontrastowe trzeciej generacji dla pacjentów z grupy wysokiego ryzyka, co wprowadza potencjalne obciążenie związane z błędem wskazań, które mogłoby maskować wszelkie podstawowe różnice pomiędzy różnymi rodzajami środków kontrastowych.

Aby pomyślnie zastosować ten schemat postępowania, należy zwrócić szczególną uwagę na kilka krytycznych etapów protokołu. Po pierwsze, niezbędna jest rygorystyczna ocena wyników, ponieważ błędna klasyfikacja CIE bezpośrednio wpłynęłaby na trenowanie i ewaluację modelu. Przypadki z podejrzeniem CIE należy oceniać na podstawie związku czasowego między podaniem kontrastu a wystąpieniem objawów, manifestacji neurologicznych, obrazowych wyników pooperacyjnych oraz wykluczenia alternatywnych rozpoznań. Po drugie, precyzyjna ekstrakcja i weryfikacja całkowitej objętości kontrastu oraz eGFR są istotne, ponieważ te dwie zmienne determinują obliczenie CGR. Po trzecie, CGR należy obliczać według tej samej reguły dla wszystkich pacjentów, po potwierdzeniu zarówno całkowitej objętości kontrastu, jak i eGFR. Po czwarte, selekcję cech, szacowanie parametrów imputacji, strojenie hiperparametrów oraz trenowanie modelu należy przeprowadzać wyłącznie w obrębie kohorty treningowej, aby uniknąć wycieku danych. Wreszcie, ponieważ CIE występuje rzadko, a liczba zdarzeń jest ograniczona, wydajność modelu należy interpretować ostrożnie i poddać zewnętrznej walidacji przed wdrożeniem do praktyki klinicznej³³.

Przy stosowaniu tego schematu postępowania w innych warunkach należy również rozważyć kilka modyfikacji metody oraz strategii rozwiązywania problemów. Jeśli proporcja brakujących danych jest wysoka, badacze powinni najpierw ustalić, czy braki mają charakter losowy, i unikać imputacji zmiennych z nadmierną liczbą braków. W przypadku bardzo małej liczby zdarzeń CIE należy zmniejszyć złożoność modelu; w celu ograniczenia przeuczenia mogą być preferowane modele prostsze lub z regularyzacją (karą). Jeśli schemat postępowania jest stosowany w innym ośrodku, przed trenowaniem modelu należy zharmonizować definicje zmiennych, zasady kodowania, metody obliczania eGFR, praktyki rejestrowania objętości kontrastu oraz kryteria przeglądu obrazowania. Jeśli wydajność modelu spada podczas wewnętrznej lub zewnętrznej walidacji, należy zbadać potencjalne przyczyny, takie jak niezbalansowanie klas, wyciek danych, niespójne przetwarzanie wstępne, niestabilny wybór cech oraz różnice w strukturze przypadków pacjentów. W przypadkach niepewnej diagnozy CIE przed opracowaniem modelu zaleca się adiudykację przeprowadzoną przez wielu doświadczonych klinicystów oraz staranne wykluczenie alternatywnych rozpoznań.

Niniejsze badanie obarczone jest następującymi ograniczeniami: Po pierwsze, zastosowano w nim retrospektywny projekt jednocentryczny z ograniczoną liczbą zdarzeń CIE. Wśród 161 włączonych pacjentów wystąpiło tylko 12 zdarzeń CIE, a wewnętrzna kohorta testowa obejmowała zaledwie 33 pacjentów z bardzo niewielką liczbą przypadków CIE. W związku z tym mierniki wydajności, takie jak AUC, czułość i swoistość, mogą być niestabilne i wysoce wrażliwe na klasyfikację zaledwie jednego lub dwóch przypadków. W przyszłości konieczna będzie walidacja zewnętrzna w ramach wieloośrodkowych, prospektywnych badań na dużych próbach, aby dodatkowo potwierdzić niezawodność modelu. Po drugie, model opracowany w tym badaniu opiera się głównie na rutynowych zmiennych klinicznych zbieranych przed operacją i w jej trakcie. W przyszłości moglibyśmy dodatkowo zintegrować wewnątrzoperacyjne parametry kinetyki środka kontrastowego, wczesne pooperacyjne cechy obrazowania oraz swoiste biomarkery surowicze, aby zbudować bardziej dynamiczny i kompleksowy system przewidywania ryzyka CIE. Po trzecie, niska zapadalność na CIE (7,5%) doprowadziła do wyraźnej nierównowagi klas, z zaledwie 12 przypadkami CIE i 149 przypadkami non-CIE. Ta nierównowaga może zmniejszyć niezawodność mierników wydajności modelu. Dokładność może przeszacowywać wydajność modelu, gdy klasa non-CIE dominuje w zbiorze danych, natomiast czułość, swoistość, dodatnia wartość predykcyjna i ujemna wartość predykcyjna mogą być niestabilne, ponieważ są one zależne od bardzo małej liczby zdarzeń CIE. W związku z tym proponowany model należy obecnie traktować jako eksploracyjne ramy stratyfikacji ryzyka, a nie jako ostateczne narzędzie do podejmowania decyzji klinicznych. W niniejszym badaniu nie przeprowadzono dodatkowej wielokrotnej walidacji krzyżowej ani walidacji opartej na ponownym próbkowaniu, ponieważ liczba zdarzeń CIE była bardzo ograniczona, a takie analizy mogłyby nadal dawać niestabilne szacunki przy wyraźnej nierównowadze klas. Przed wdrożeniem klinicznym wymagana jest wieloośrodkowa walidacja zewnętrzna oraz ocena prospektywna.

Podsumowując, w niniejszym badaniu systematycznie porównano kilka modeli ML, wykazując, że model Naive Bayes wykazał najbardziej zrównoważoną wydajność opisową w przewidywaniu CIE w obecnym zbiorze danych. Model ten może stanowić wstępne wsparcie dla okołoperacyjnej stratyfikacji ryzyka, jednak jego użyteczność kliniczna wymaga dalszej walidacji. Ponadto w badaniu oceniono CGR jako eksploracyjny wskaźnik złożony, który kwantyfikuje brak równowagi między „obciążeniem środkiem kontrastowym a klirensem nerkowym”. CGR okazał się jednym z najbardziej wpływowych predyktorów w modelu i może dostarczać przydatnych informacji dla zindywidualizowanej oceny ryzyka okołoperacyjnego. Wyniki te mogą pomóc w sformułowaniu hipotez służących do identyfikacji pacjentów wysokiego ryzyka poddawanych procedurom neurointerwencyjnym, jednak konieczne są dalsze badania na większych próbach oraz walidacja zewnętrzna. Przyszłe badania z większymi próbami i zewnętrzną walidacją są niezbędne, aby ustalić, czy multimodalne modele predykcyjne mogą poprawić stratyfikację ryzyka CIE i wesprzeć bardziej precyzyjną profilaktykę oraz leczenie tego powikłania.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Elektroniczny system dokumentacji medycznej	Northern Theater General Hospital	Instytucjonalny system kliniczny	Wykorzystany do retrospekcyjnej ekstrakcji danych Gromadzenie zmiennych demograficznych i danych z historii klinicznej
Laboratoryjny system informatyczny	Northern Theater General Hospital	Instytucjonalny system laboratoryjny	Wykorzystany do retrospekcyjnej ekstrakcji danych laboratoryjnych Gromadzenie danych dotyczących kreatyniny w surowicy, eGFR, profilu lipidowego oraz innych danych laboratoryjnych
System cyfrowej angiografii subtrakcyjnej	Philips	Allura Xper FD 20 (z Interventional Workstation R1.3.2)	Wykorzystany podczas rutynowych procedur klinicznych Procedura neurointerwencyjna i rejestracja zużycia kontrastu
Skaner CT	Philips	Ingenuity CT	Wykorzystany do pooperacyjnej oceny obrazowej Pooperacyjna ocena tomografii komputerowej czaszki
Platforma analizy danych strukturalnych OnekeyAI	OnekeyAI	20240916	Wykorzystana jako narzędzie badawcze; brak roli w podejmowaniu decyzji klinicznych Przetwarzanie wstępne danych strukturalnych, budowa modelu, ewaluacja modelu i generowanie rycin
Python	Python Software Foundation	3.7.12	Otwartoźródłowy język programowania Przetwarzanie wstępne danych, analiza statystyczna, opracowanie modelu i wizualizacja
scikit-learn	scikit-learn developers	1.0.2	Otwartoźródłowa biblioteka uczenia maszynowego dla języka Python LASSO, Naive Bayes, SVM, KNN, MLP, analiza ROC i metryki wydajności