Uma estrutura exploratória de aprendizado de máquina (ML) utilizando dados perioperatórios foi avaliada para prever a encefalopatia induzida por contraste (CIE) após procedimentos neurointervencionais. O modelo Naive Bayes apresentou o desempenho descritivo mais equilibrado, e a razão contraste para eGFR (CGR) foi identificada como um importante preditor candidato para avaliação de risco individualizada.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
Predição por Aprendizado de Máquina de Encefalopatia Induzida por Contraste Após Procedimentos Neurointervencionistas
* These authors contributed equally
Neste artigo
Resumo
Resumo
A EIC é uma complicação rara, porém grave, após procedimentos neurointervencionais, para a qual ainda faltam ferramentas preditivas não invasivas e confiáveis. Este estudo teve como objetivo desenvolver e validar um modelo de ML para prever a EIC utilizando dados clínicos e procedimentais perioperatórios, além de avaliar o valor preditivo da RCG para EIC. Este foi um estudo retrospectivo de centro único que incluiu consecutivamente 161 pacientes submetidos a procedimentos neurointervencionais no Departamento de Neurocirurgia do Hospital Geral do Teatro Norte entre janeiro de 2024 e dezembro de 2025. Preditores perioperatórios candidatos a EIC foram identificados por meio de análise univariada combinada com regressão LASSO. Com base nas variáveis selecionadas, cinco modelos de ML — Naive Bayes, máquina de vetores de suporte (SVM), k-vizinhos mais próximos (KNN), LightGBM e perceptron multicamadas (MLP) — foram treinados e otimizados. O desempenho do modelo foi avaliado de forma abrangente utilizando a área sob a curva da característica de operação do receptor (AUC), análise de curva de decisão (DCA). Dentre os modelos avaliados, o modelo Naive Bayes apresentou o desempenho descritivo mais favorável no conjunto de teste interno, com uma AUC de 0,952 (IC 95%: 0,843–1,000), sensibilidade de 100% e especificidade de 90,3%; entretanto, essas métricas devem ser interpretadas com cautela, pois o conjunto de dados era acentuadamente desbalanceado e a coorte de teste interna era pequena e continha apenas um número muito limitado de eventos de EIC. Os resultados da DCA sugeriram benefício clínico líquido potencial em diferentes probabilidades limiares selecionadas. A análise de importância de características indicou que a RCG estava entre os preditores candidatos com classificação mais alta associados ao risco de EIC neste conjunto de dados. O modelo Naive Bayes avaliado neste estudo pode fornecer uma estrutura preliminar de estratificação de risco para avaliação perioperatória de EIC após procedimentos neurointervencionais. A RCG emergiu como uma característica preditiva importante e pode auxiliar na estratificação de risco individualizada. É necessário validação externa adicional antes da aplicação clínica.
Introdução
Ao longo das últimas duas décadas, as técnicas intervencionistas minimamente invasivas transformaram fundamentalmente o paradigma de tratamento das doenças cerebrovasculares1. Os procedimentos neurointervencionistas—graças às suas vantagens de alta eficácia e mínima invasividade—tornaram-se opções terapêuticas importantes para determinados distúrbios cerebrovasculares2. No entanto, à medida que aumenta a complexidade dos procedimentos intervencionistas, também aumentam as doses de agentes de contraste utilizadas durante os procedimentos, as pressões de injeção e a duração da exposição ao agente de contraste. Consequentemente, as complicações relacionadas ao agente de contraste têm recebido crescente atenção3,4,5,6,7. A EIC, uma disfunção neurológica aguda e transitória induzida por meios de contraste iodados (MCI), tem sido cada vez mais reconhecida como uma complicação clinicamente relevante, especialmente em procedimentos neurointervencionistas complexos. As manifestações clínicas típicas da EIC geralmente aparecem em minutos até 24 h após a exposição ao agente de contraste e incluem alterações na consciência (como sonolência, delírio ou coma), cegueira cortical, déficits neurológicos focais (como hemiparesia ou afasia) e crises convulsivas4,5,6. Embora a maioria dos casos de EIC seja autolimitada e os sintomas geralmente se resolvam em 48 a 72 h, alguns pacientes podem apresentar comprometimento neurológico persistente. Casos graves podem inclusive levar à morte devido a edema cerebral maciço4,7. Essa imprevisibilidade dos desfechos enfatiza a necessidade urgente de desenvolver uma ferramenta confiável para predição precoce de risco no período perioperatório.
À medida que o volume de dados clínicos continua a aumentar, métodos estatísticos tradicionais tornam-se cada vez mais inadequados ao lidar com dados médicos de alta dimensionalidade que apresentam multicolinearidade. Além disso, análises univariadas ou modelos simples de regressão logística frequentemente falham em capturar as interações complexas e não lineares entre variáveis. A aprendizagem de máquina (ML) oferece uma nova dimensão para enfrentar esses desafios8. Algoritmos de ML—como SVM, máquinas de boosting por gradiente (LightGBM) e MLP—podem identificar automaticamente padrões latentes em espaços de características de alta dimensionalidade e construir modelos não lineares com poderosas capacidades preditivas8,9,10,11. No entanto, embora se busque precisão preditiva, a natureza "caixa-preta" desses algoritmos, caracterizada pela falta de interpretabilidade, frequentemente levanta preocupações quanto à confiança na tomada de decisões médicas12,13. Em contraste, o algoritmo Naive Bayes, com sua lógica probabilística simples e interpretabilidade inerente, demonstra vantagens únicas em estudos clínicos com pequenas amostras14,15. Ao avaliar a contribuição da probabilidade posterior de cada variável preditora para o evento desfecho, o modelo Naive Bayes não apenas garante desempenho preditivo, mas também fornece aos clínicos informações intuitivas de apoio à decisão. Além disso, para avaliar quantitativamente o desequilíbrio entre a carga de agente de contraste e a capacidade individual de depuração, este estudo introduz inovadoramente a razão entre agente de contraste e eGFR (CGR) como característica principal. Em pacientes com reserva funcional renal mais baixa, mesmo doses moderadas de agentes de contraste podem resultar em valores extremamente altos de CGR, o que pode aumentar a suscetibilidade à LEC. A CGR pode fornecer uma medida composta clinicamente intuitiva que integra a carga do agente de contraste e a capacidade de depuração renal, embora seu valor preditivo incremental exija validação adicional. Ao incorporar esse biomarcador integrado, este estudo teve como objetivo desenvolver uma estrutura preditiva que reflita mais fielmente a realidade fisiopatológica.
Em resumo, este estudo teve como objetivo desenvolver e validar um modelo preditivo de EIC baseado em aprendizado de máquina (ML), utilizando variáveis clínicas e procedimentais perioperatórias16. Os objetivos específicos incluem: (1) apresentar e avaliar a RDC como um índice composto exploratório; (2) construir e comparar o desempenho de cinco modelos de ML — Naive Bayes, SVM, KNN, LightGBM e MLP; e (3) identificar o modelo ótimo. Dado o número limitado de eventos de EIC, a comparação dos modelos foi considerada exploratória e geradora de hipóteses. Em última análise, este estudo pode fornecer uma estrutura preliminar de estratificação de risco para EIC na prática neurointervencionista, mas não deve ser utilizado como ferramenta isolada de tomada de decisão clínica sem validação externa. A base conceitual da RDC e sua relação com a exposição ao contraste e a depuração renal são ilustradas na Figura 1A. O fluxo geral do estudo, incluindo o pré-processamento dos dados, divisão em conjuntos de treinamento/teste, seleção de características e desenvolvimento do modelo, é resumido na Figura 1B. A estrutura de avaliação comparativa dos cinco modelos de ML é apresentada na Figura 1C.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Protocolo
O protocolo do estudo foi revisado e aprovado pelo Comitê de Ética do Hospital Geral do Comando do Teatro Norte (Número de Aprovação: Ética Y (2026) 75). Embora os dados clínicos tenham sido obtidos a partir de pacientes tratados entre janeiro de 2024 e dezembro de 2025, o presente estudo foi conduzido como uma análise retrospectiva dos registros clínicos existentes. A aprovação ética obtida em 2026 abrangeu a extração retrospectiva de dados, desidentificação, análise e publicação desses dados clínicos previamente coletados. Nenhuma intervenção prospectiva ou inclusão de pacientes foi realizada antes da aprovação ética. A exigência de consentimento informado por escrito foi dispensada devido ao desenho do estudo observacional retrospectivo. Todos os procedimentos foram realizados de acordo com a Declaração de Helsinque, e todos os dados clínicos foram desidentificados antes da análise. A presente análise foi conduzida como parte de um projeto de pesquisa clínica neurointervencional retrospectiva aprovado. Os materiais e equipamentos necessários para os procedimentos descritos abaixo estão resumidos na Tabela de Materiais.
Enrolamento de pacientes e determinação de CIE
Pacientes potencialmente elegíveis foram identificados mediante consulta ao sistema de prontuários eletrônicos em busca de pacientes tratados no Departamento de Neurocirurgia do Hospital Geral do Comando Teatral do Norte entre janeiro de 2024 e dezembro de 2025. A busca inicial foi limitada por data de admissão, departamento, diagnóstico de doença cerebrovascular e registros de procedimentos neurointervencionais. O fluxo detalhado de triagem de pacientes e alocação da coorte é ilustrado na Figura 2. Os pacientes eram elegíveis para inclusão se atendessem a todos os seguintes critérios: (1) idade entre 30 e 80 anos; (2) diagnóstico de doença cerebrovascular que exigisse avaliação ou tratamento neurointervencional; (3) disponibilidade de prontuários clínicos completos e resultados de exames laboratoriais; e (4) realização de exame de tomografia computadorizada de crânio no pós-operatório dentro de 3 dias após a cirurgia.
Os pacientes foram excluídos se apresentassem dados clínicos ou de imagem incompletos, não realizassem intervenção endovascular, tivessem déficits neurológicos pré-operatórios graves (escore da Escala de Rankin Modificada ≥4), demonstrassem infarto cerebral agudo na imagem ponderada por difusão pré-operatória, apresentassem doença renal crônica estágio G4 ou superior de acordo com os critérios da Doença Renal: Melhorando os Resultados Globais (KDIGO), ou tivessem doença cardiovascular grave. Os critérios de inclusão e exclusão foram aplicados sequencialmente. Após a busca eletrônica inicial, cada registro candidato foi revisado manualmente para confirmar a elegibilidade e documentar o motivo da exclusão, quando aplicável. Após a triagem, os pacientes elegíveis foram aleatorizados para os grupos de treinamento e teste em uma proporção de 8:2, incluindo um grupo de treinamento (n = 128) e um grupo de teste (n = 33). A amostragem aleatória estratificada foi utilizada para manter uma distribuição consistente de casos com IEC e sem IEC entre os dois grupos.
O diagnóstico de EIC foi baseado principalmente na associação temporal entre o início dos sintomas e os procedimentos de intervenção cerebrovascular, combinada com avaliação de imagem de exclusão. Dois especialistas independentes em intervenção cerebrovascular revisaram os registros clínicos pós-operatórios, o momento do início dos sintomas, as manifestações neurológicas e os achados de imagem pós-operatória em todos os casos suspeitos. As discordâncias foram resolvidas mediante discussão até que se alcançasse consenso. Considerou-se que os pacientes eram compatíveis com EIC quando ocorriam cegueira cortical recém-instaurada, alteração da consciência (incluindo sonolência, delírio ou coma), convulsão ou déficits neurológicos focais, como hemiparesia ou afasia, nas 24 horas seguintes à conclusão do procedimento neurointervencionista.
Após o início dos sintomas, causas alternativas capazes de produzir manifestações neurológicas semelhantes foram excluídas mediante revisão das imagens de TC ou RM pós-operatórias juntamente com a evolução clínica. A tomografia computadorizada de crânio pós-operatória foi realizada utilizando o protocolo institucional padrão de TC craniana sem contraste. Os parâmetros essenciais de aquisição incluíram tensão do tubo de 80 kVp, corrente do tubo de 260 mA, espessura de corte de 0,5 mm e reconstrução axial padrão. As imagens foram analisadas em janelas cerebrais e ósseas por clínicos experientes. Foram consideradas durante o diagnóstico diferencial: hemorragia intracraniana aguda, hemorragia subaracnóidea, hemorragia intracerebral, infarto cerebral de grande área recém-desenvolvido, alterações relacionadas a convulsões, infecção e distúrbios metabólicos. Os exames de TC pós-sintomas geralmente demonstraram edema cerebral focal ou difuso e sombras de alta densidade envolvendo a córtex, regiões subcorticais ou espaço subaracnóideo, simulando lesões hemorrágicas. Os achados de RM geralmente demonstram inchaço cortical, particularmente envolvendo a córtex temporoparietal occipital. Em alguns pacientes, no entanto, os exames de TC ou RM não mostraram anormalidades evidentes, apesar de manifestações clínicas compatíveis.
Aquisição de variáveis perioperatórias e construção da RCG
Dados demográficos gerais, incluindo idade, sexo e peso corporal, foram extraídos de campos estruturados no sistema de prontuário eletrônico. Variáveis do histórico clínico, incluindo histórico de tabagismo, consumo de álcool, hipertensão, diabetes melito e doença arterial coronariana, foram extraídas das anotações de admissão, registros de histórico médico prévio e diagnósticos de alta, e foram verificadas quanto à consistência. Dados laboratoriais foram extraídos do sistema de informações laboratoriais. Para cada paciente, foi utilizada a primeira amostra de sangue venoso coletada após a admissão e antes do procedimento neurointervencionista. As variáveis laboratoriais extraídas incluíram creatinina sérica, taxa de filtração glomerular estimada (TFGE), colesterol total e níveis de triglicerídeos. A TFGE foi calculada utilizando a equação baseada na creatinina da colaboração Epidemiológica de Doença Renal Crônica (CKD-EPI) e foi obtida do sistema de informações laboratoriais do hospital.
Como a complexidade do procedimento, a exposição ao agente de contraste e a localização da lesão podem influenciar a disruptura da barreira hematoencefálica e a retenção do agente de contraste durante procedimentos neurointervencionais, variáveis perioperatórias também foram incorporadas ao modelo preditivo. As variáveis relacionadas ao procedimento incluíram localização da lesão, tipo de procedimento, duração do procedimento, tipo de agente de contraste e volume total de contraste. A localização da lesão e o tipo de procedimento foram determinados a partir dos relatórios cirúrgicos e registros angiográficos. A duração do procedimento foi definida como o tempo entre a punção arterial e a conclusão do procedimento neurointervencional. O volume total de contraste foi definido como o volume cumulativo do agente de contraste iodado administrado desde o início até o fim do procedimento. Os agentes de contraste utilizados neste estudo foram meios de contraste iodados não iônicos, incluindo iodixanol (320 mg de iodo/mL), administrados de acordo com a prática clínica institucional. Todos os procedimentos neurointervencionais incluídos neste estudo foram realizados com orientação de angiografia por subtração digital por uma equipe neurointervencional experiente no centro do estudo. Todos os procedimentos foram realizados pela via arterial transfemoral. Durante a intervenção, os pacientes receberam anticoagulação intraoperatória com heparina, e o tempo de coagulação ativado foi mantido dentro da faixa-alvo de 250–300 s. Os sinais vitais foram monitorados continuamente durante todo o procedimento.
Intervenções terapêuticas, incluindo embolização de aneurisma, angioplastia e colocação de stent, foram realizadas de acordo com as características da lesão e o julgamento do operador. Microcateteres, coils, stents ou balões apropriados foram selecionados conforme as exigências do procedimento. Durante a imagem angiográfica e a intervenção, agentes de contraste foram administrados por injeção de alta pressão ou infusão manual com taxa constante. O tipo de agente de contraste e o volume total de contraste foram extraídos dos registros do procedimento e verificados com os registros de anestesia ou enfermagem, quando disponíveis. Registros com informações inconsistentes ou incompletas sobre o volume de contraste foram revisados manualmente antes da inclusão no conjunto de dados analítico final.
Todas as variáveis relacionadas ao procedimento, incluindo duração do procedimento, tipo de intervenção terapêutica, uso de dispositivos e registros de administração de agente de contraste, foram revisadas e verificadas sistematicamente quanto à completude e consistência antes da análise. Para avaliar quantitativamente o desequilíbrio entre a carga de agente de contraste e a capacidade de depuração renal, a razão C/R foi estabelecida como uma variável preditiva principal e calculada de acordo com a seguinte equação:
(1)
O volume total de contraste foi registrado em mL, e o TFGe foi registrado em mL/min/1,73 m2. O valor de TFGe utilizado para o cálculo da RCG foi o valor pré-operatório obtido a partir da primeira amostra de sangue venoso coletada após a admissão e antes do procedimento neurointervencionista. Para cada paciente, a RCG foi calculada após verificação do volume total de contraste e do TFGe. O numerador foi o volume total de contraste em mL, e o denominador foi o TFGe em mL/min/1,73 m2. A mesma regra de cálculo foi aplicada a todos os pacientes antes do desenvolvimento do modelo.
Seleção de características e fluxo de trabalho de ML
Para garantir a robustez analítica, todas as variáveis clínicas e laboratoriais passaram por procedimentos sistemáticos de controle de qualidade antes da análise. A proporção de dados ausentes foi calculada para cada variável candidata antes do desenvolvimento do modelo. No conjunto de dados analítico final, não foram observados valores ausentes entre os preditores incluídos ou os rótulos do desfecho; portanto, nenhuma variável foi excluída devido à ausência de dados, e a imputação múltipla não foi necessária. O resumo detalhado dos dados ausentes é fornecido na Tabela Suplementar 1.
Todas as variáveis preditoras candidatas foram inicialmente avaliadas por meio de análises univariadas para verificar suas associações com a ocorrência de EIC. Os métodos estatísticos foram selecionados de acordo com as características de distribuição dos dados. As variáveis com distribuição normal foram expressas como média ± desvio padrão e comparadas utilizando o teste t para amostras independentes. As variáveis com distribuição não normal foram expressas como mediana (intervalo interquartílico, IIQ) e analisadas utilizando o teste U de Mann-Whitney. As variáveis categóricas foram apresentadas como frequências e porcentagens e analisadas utilizando o teste qui-quadrado ou o teste exato de Fisher. A significância estatística foi definida como p < 0,05.
O conjunto completo de dados foi dividido aleatoriamente em coortes de treinamento e teste em uma proporção de 8:2 antes do desenvolvimento do modelo. Para minimizar o sobreajuste e reduzir a multicolinearidade, foi aplicada a regressão por operador de contração e seleção por mínimos absolutos (LASSO) combinada com validação cruzada de 10 dobras para seleção de características. A seleção de características, o ajuste de hiperparâmetros e o desenvolvimento do modelo foram realizados utilizando apenas a coorte de treinamento, a fim de evitar vazamento de dados. A coorte de teste interna não foi utilizada durante a imputação, estimativa de parâmetros, seleção de características, ajuste de hiperparâmetros ou treinamento do modelo, sendo empregada apenas uma vez para a avaliação final do desempenho. A otimização dos hiperparâmetros foi realizada usando uma estratégia de busca em grade com validação cruzada de 10 dobras dentro da coorte de treinamento. Especificamente, a coorte de treinamento foi dividida aleatoriamente em 10 subconjuntos mutuamente exclusivos. Em cada iteração, nove subconjuntos foram usados para o treinamento do modelo, e o subconjunto restante foi utilizado para validação. Esse processo foi repetido 10 vezes para garantir que cada subconjunto atuasse como coorte de validação exatamente uma vez.
Todas as análises computacionais foram realizadas em um ambiente Python. O desenvolvimento e a avaliação do modelo de aprendizado de máquina (ML) foram realizados utilizando o scikit-learn. Os scripts de análise utilizados para pré-processamento dos dados, seleção de características, treinamento do modelo, avaliação de desempenho e DCA foram fornecidos como arquivos de código suplementares. Para a implementação do modelo, as características selecionadas pela regressão LASSO foram utilizadas como variáveis de entrada para todos os classificadores candidatos. As variáveis contínuas foram padronizadas utilizando a normalização por escore z na coorte de treinamento, e os mesmos parâmetros de escala foram aplicados à coorte de teste interna. As variáveis categóricas foram codificadas de acordo com o esquema de codificação predefinido, e as definições das variáveis e o esquema de codificação estão fornecidos na Tabela Suplementar 2. Cinco classificadores foram implementados: Naive Bayes Gaussiano, SVM, KNN, LightGBM e MLP. Para o SVM, o tipo de kernel, o parâmetro de regularização C e o coeficiente do kernel gamma foram ajustados. Para o KNN, o número de vizinhos e a estratégia de ponderação da distância foram ajustados. Para o LightGBM, o número de estimadores, a taxa de aprendizado, a profundidade máxima da árvore e o número de folhas foram ajustados. Para a MLP, a estrutura da camada oculta, a função de ativação, o parâmetro de regularização e a taxa de aprendizado foram ajustados. O Naive Bayes Gaussiano foi implementado utilizando o ajuste especificado de suavização da variância. A combinação ótima de hiperparâmetros para cada modelo foi selecionada com base no desempenho da validação cruzada dentro da coorte de treinamento. As combinações finais de hiperparâmetros otimizados selecionadas para cada modelo são resumidas na Tabela Suplementar 3. Após a seleção dos hiperparâmetros, cada modelo final foi reajustado com toda a coorte de treinamento e avaliado uma única vez na coorte de teste interna.
Comparações do desempenho do modelo
Com base nos preditores selecionados, cinco modelos de ML foram desenvolvidos e comparados. O desempenho dos modelos foi avaliado tanto na coorte de treinamento quanto na de teste utilizando a área sob a curva característica de operação do receptor (AUC), intervalo de confiança de 95% (95% CI), sensibilidade, especificidade e acurácia. Curvas características de operação do receptor foram geradas para comparar o desempenho discriminativo dos diferentes modelos. O limiar ótimo de classificação para cada modelo foi determinado exclusivamente dentro da coorte de treinamento utilizando o índice de Youden. O limiar derivado foi então fixado e aplicado inalterado à coorte de teste interna para o cálculo das métricas de desempenho dependentes de limiar.
Análise de curva de decisão
A DCA foi realizada calculando o benefício líquido de cada modelo em uma variedade de probabilidades limiares e comparando a estratégia baseada em modelo com duas estratégias padrão: tratar todos os pacientes e não tratar nenhum paciente. A DCA foi escolhida porque permite a avaliação simultânea do desempenho de discriminação e da aplicabilidade clínica potencial em contextos de tomada de decisão perioperatória. Para facilitar a reprodutibilidade, o fluxo de trabalho completo foi realizado na seguinte sequência: identificação dos pacientes a partir do sistema de prontuário eletrônico, aplicação dos critérios de inclusão e exclusão, adjudicação de CIE por dois especialistas independentes, extração e verificação cruzada das variáveis demográficas, de histórico clínico, laboratoriais e relacionadas aos procedimentos, cálculo do CGR, avaliação de dados ausentes e divisão entre coortes de treinamento e teste, seleção de características baseada em LASSO dentro da coorte de treinamento, ajuste de hiperparâmetros por validação cruzada de 10 dobras, refitagem final do modelo na coorte completa de treinamento, avaliação na coorte de teste interna, avaliação de desempenho baseada na curva ROC, determinação do limiar pelo índice de Youden e DCA.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
Enrolamento de pacientes e determinação de CIE
Um total de 161 pacientes submetidos a procedimentos neurointervencionais foram incluídos neste estudo, dos quais 12 (7,5%) desenvolveram EIC, enquanto 149 (92,5%) não desenvolveram. O processo detalhado de triagem e agrupamento dos pacientes é apresentado na Figura 2. O diagnóstico de EIC foi estabelecido com base na associação temporal entre o início dos sintomas e os procedimentos neurointervencion...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Discussão
A EIC é uma complicação rara, mas potencialmente grave, após procedimentos neurointervencionais, caracterizada por disfunção neurológica aguda que ocorre logo após a exposição a agentes de contraste. Embora a condição seja tipicamente reversível, em alguns casos pode levar a déficits neurológicos persistentes ou mesmo a desfechos ameaçadores à vida, destacando a importância da identificação precoce de riscos17,18,19,<...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
Os autores declaram não haver conflitos de interesses. A plataforma OnekeyAI foi utilizada exclusivamente como uma ferramenta de pesquisa para análise de dados estruturados e desenvolvimento de modelos neste estudo.
Agradecimentos
Este trabalho foi apoiado pelo Programa Conjunto de Ciência e Tecnologia da Província de Liaoning (Projeto do Programa-Chave de Pesquisa e Desenvolvimento; Número do Convênio 2025JH2/101800053) e pelo Programa de Talentos Xingliao da Província de Liaoning (Número do Convênio XLYC2403134). Os autores também agradecem o apoio do Departamento de Neurocirurgia do Hospital Geral do Teatro Norte na coleta de dados dos pacientes e na revisão de neuroimagem.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Sistema eletrônico de prontuário médico | Hospital Geral do Teatro Norte | Sistema clínico institucional | Utilizado para extração retrospectiva de dados Coleta de variáveis demográficas e de histórico clínico |
| Sistema de informações laboratoriais | Hospital Geral do Teatro Norte | Sistema laboratorial institucional | Utilizado para extração retrospectiva de dados laboratoriais Coleta de creatinina sérica, TFG estimado, perfil lipídico e outros dados laboratoriais |
| Sistema de angiografia por subtração digital | Philips | Allura Xper FD 20 (com Workstation Intervencionista R1.3.2) | Utilizado durante procedimentos clínicos de rotina Procedimento neurointervencional e registro do uso de contraste |
| Scanner de CT | Philips | Ingenuity CT | Utilizado para avaliação de imagem pós-operatória Avaliação de TC craniana pós-operatória |
| Plataforma OnekeyAI de análise de dados estruturados | OnekeyAI | 20240916 | Utilizada como ferramenta de pesquisa; sem papel na tomada de decisões clínicas Pré-processamento de dados estruturados, construção do modelo, avaliação do modelo e geração de figuras |
| Python | Fundação Python Software | 3.7.12 | Linguagem de programação de código aberto Pré-processamento de dados, análise estatística, desenvolvimento de modelos e visualização |
| scikit-learn | Desenvolvedores do scikit-learn | 1.0.2 | Biblioteca de aprendizado de máquina em Python de código aberto LASSO, Naive Bayes, SVM, KNN, MLP, análise ROC e métricas de desempenho |
Referências
- 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.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.