Для прогнозирования контраст-индуцированной энцефалопатии (КИЭ) после нейроинтервенционных процедур была проведена оценка исследовательского фреймворка на базе машинного обучения (МО) с использованием периоперационных данных. Модель наивного байесовского классификатора продемонстрировала наиболее сбалансированные описательные характеристики, а отношение объема контрастного вещества к СКФ (CGR) было определено как важный потенциальный предиктор для индивидуальной оценки риска.
Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
Прогнозирование контраст-индуцированной энцефалопатии после нейроинтервенционных процедур с помощью машинного обучения
* These authors contributed equally
В этой статье
Краткое содержание
Аннотация
Церебральная ишемическая эмболия (CIE) представляет собой редкое, но тяжелое осложнение после нейроинтервенционных процедур, для которого до сих пор отсутствуют надежные неинвазивные инструменты прогнозирования. Данное исследование было направлено на разработку и валидацию модели машинного обучения (ML) для прогнозирования CIE с использованием периоперационных клинических и процедурных данных, а также на оценку прогностической значимости CGR для возникновения CIE. Это было одноцентровое ретроспективное исследование, в которое последовательно были включены 161 пациент, перенесший нейроинтервенционные процедуры в отделении нейрохирургии Северного театрального общего госпиталя в период с января 2024 года по декабрь 2025 года. Потенциальные периоперационные предикторы CIE были определены с помощью однофакторного анализа в сочетании с регрессией LASSO. На основе отобранных переменных были обучены и оптимизированы пять ML-моделей: наивный байесовский классификатор, метод опорных векторов (SVM), метод k-ближайших соседей (KNN), LightGBM и многослойный перцептрон (MLP). Эффективность моделей была комплексно оценена с использованием площади под ROC-кривой (AUC) и анализа кривых принятия решений (DCA). Среди оцениваемых моделей наивный байесовский классификатор показал наиболее благоприятные описательные характеристики на внутреннем тестовом наборе данных: AUC составила 0,952 (95% ДИ: 0,843–1,000), чувствительность — 100%, специфичность — 90,3%; однако эти показатели следует интерпретировать с осторожностью, так как набор данных был значительно несбалансированным, а внутренняя тестовая когорта была небольшой и содержала очень ограниченное количество случаев CIE. Результаты DCA указали на потенциальную клиническую чистую выгоду при выбранных пороговых значениях вероятности. Анализ важности признаков показал, что CGR входит в число наиболее значимых предикторов, связанных с риском CIE в данном наборе данных. Модель наивного байесовского классификатора, оцененная в этом исследовании, может служить предварительной структурой стратификации рисков для периоперационной оценки CIE после нейроинтервенционных процедур. CGR оказался важным прогностическим признаком и может помочь в индивидуальной стратификации рисков. Перед клиническим применением требуется дальнейшая внешняя валидация.
Введение
За последние два десятилетия малоинвазивные интервенционные методы коренным образом изменили парадигму лечения цереброваскулярных заболеваний1. Нейроинтервенционные процедуры, обладающие преимуществами высокой эффективности и минимальной инвазивности, стали важными вариантами лечения определенных цереброваскулярных расстройств2. Однако по мере роста сложности интервенционных процедур увеличиваются дозы используемых контрастных веществ, давление при введении и продолжительность воздействия контрастного агента. Вследствие этого осложнения, связанные с применением контрастных веществ, стали объектом всё более пристального внимания3,4,5,6,7. Контраст-индуцированная энцефалопатия (КИЭ), представляющая собой острое транзиторное неврологическое нарушение, вызванное йодсодержащими контрастными средствами (ИКС), всё чаще признается клинически значимым осложнением, особенно при сложных нейроинтервенционных процедурах. Типичные клинические проявления КИЭ обычно появляются в течение периода от нескольких минут до 24 h после воздействия контрастного вещества и включают изменения сознания (такие как сонливость, делирий или кома), корковую слепоту, фокальный неврологический дефицит (такой как гемипарез или афазия) и судороги4,5,6. Хотя большинство случаев КИЭ являются самолимитирующимися, а симптомы обычно проходят в течение 48–72 h, у некоторых пациентов могут наблюдаться стойкие неврологические нарушения. Тяжелые случаи могут даже привести к летальному исходу из-за массивного отека головного мозга4,7. Такая непредсказуемость исходов подчеркивает настоятельную необходимость разработки надежного инструмента для раннего прогнозирования рисков в периоперационный период.
По мере роста объема клинических данных традиционные статистические методы становятся все более недостаточно эффективными при работе с многомерными медицинскими данными, характеризующимися мультиколлинеарностью. Более того, одномерный анализ или простые модели логистической регрессии часто не позволяют зафиксировать сложные нелинейные взаимодействия между переменными. Машинное обучение (ML) открывает новые возможности для решения этих проблем8. Алгоритмы ML, такие как SVM, градиентный бустинг (LightGBM) и MLP, способны автоматически выявлять скрытые закономерности в многомерных пространствах признаков и строить нелинейные модели с высокой прогностической способностью8,9,10,11. Однако при стремлении к точности прогнозирования «черный ящик» этих алгоритмов, характеризующийся отсутствием интерпретируемости, часто вызывает опасения в отношении доверия к принятию медицинских решений12,13. Напротив, алгоритм наивного байесовского классификатора с его простой вероятностной логикой и присущей ему интерпретируемостью демонстрирует уникальные преимущества в клинических исследованиях с малыми выборками14,15. Оценивая вклад апостериорной вероятности каждой предикторной переменной в исходное событие, модель наивного байесовского классификатора не только обеспечивает прогностическую эффективность, но и предоставляет клиницистам интуитивно понятную информацию для поддержки принятия решений. Кроме того, для количественной оценки дисбаланса между нагрузкой контрастным веществом и индивидуальной способностью к клиренсу в данном исследовании в качестве основного признака инновационно вводится отношение дозы контрастного вещества к СКФР (CGR). У пациентов с более низким функциональным резервом почек даже умеренные дозы контрастных веществ могут привести к крайне высоким значениям CGR, что может повысить предрасположенность к CIE. CGR может служить клинически интуитивным комплексным показателем, объединяющим нагрузку контрастным веществом и способность почек к клиренсу, хотя его дополнительная прогностическая ценность требует дальнейшего подтверждения. Включив этот интегральный биомаркер, авторы данного исследования стремились разработать прогностическую модель, которая более точно отражает патофизиологическую реальность.
Подводя итог, целью данного исследования была разработка и валидация модели прогнозирования CIE на основе машинного обучения (ML) с использованием периоперационных клинических и процедурных переменных16. Конкретные задачи включают: (1) внедрение и оценку CGR в качестве исследовательского композитного индекса; (2) построение и сравнение эффективности пяти моделей ML — наивного байесовского классификатора, SVM, KNN, LightGBM и MLP; и (3) определение оптимальной модели. Ввиду ограниченного количества случаев CIE, сравнение моделей носило исследовательский характер и было направлено на формирование гипотез. В конечном счете, данное исследование может предложить предварительную структуру стратификации риска CIE в нейроинтервенционной практике, однако его не следует использовать как самостоятельный инструмент принятия клинических решений без внешней валидации. Концептуальная основа CGR и ее взаимосвязь с воздействием контрастного вещества и почечным клиренсом проиллюстрированы на рисунке 1A. Общий рабочий процесс исследования, включая предварительную обработку данных, разделение на обучающую и тестовую выборки, отбор признаков и разработку моделей, обобщен на рисунке 1B. Сравнительная схема оценки пяти моделей ML представлена на рисунке 1C.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Протокол
Протокол исследования был рассмотрен и одобрен Комитетом по этике Главного госпиталя Северного театра военных действий (номер одобрения Ethics Y (2026) 75). Несмотря на то, что клинические данные были получены от пациентов, проходивших лечение в период с января 2024 года по декабрь 2025 года, настоящее исследование проводилось как ретроспективный анализ существующих клинических записей. Этическое одобрение, полученное в 2026 году, распространялось на ретроспективный сбор данных, деидентификацию, анализ и публикацию этих ранее собранных клинических данных. До получения этического одобрения проспективных вмешательств или набора пациентов не проводилось. Требование о получении письменного информированного согласия было отменено в связи с ретроспективным дизайном обсервационного исследования. Все процедуры проводились в соответствии с Хельсинкской декларацией, и все клинические данные были деидентифицированы перед анализом. Настоящий анализ проводился в рамках утвержденного ретроспективного исследовательского проекта по анализу нейроинтервенционных клинических данных. Материалы и оборудование, необходимые для описанных ниже процедур, обобщены в Таблице материалов.
Набор пациентов и определение CIE
Потенциально подходящие пациенты были выявлены путем запроса в системе электронных медицинских карт пациентов, проходивших лечение в отделении нейрохирургии Главного госпиталя Северного театра военных действий в период с января 2024 по декабрь 2025 года. Первоначальный поиск был ограничен датой поступления, отделением, диагнозом «цереброваскулярное заболевание» и записями о проведении нейроинтервенционных процедур. Подробный процесс отбора пациентов и распределения по когортам показан на рисунке 2. Пациенты подлежали включению в исследование при соответствии всем следующим критериям: (1) возраст от 30 до 80 лет; (2) диагноз цереброваскулярного заболевания, требующий нейроинтервенционного обследования или лечения; (3) наличие полных клинических записей и результатов лабораторных исследований; и (4) выполнение послеоперационной КТ головы в течение 3 дней после операции.
Пациенты исключались, если у них были неполные клинические данные или данные визуализации, если они не перенесли эндоваскулярное вмешательство, имели выраженный предоперационный неврологический дефицит (оценка по модифицированной шкале Рэнкина ≥4), если при предоперационной диффузионно-взвешенной МРТ обнаруживался острый церебральный инфаркт, имела хроническая болезнь почек стадии G4 или выше согласно критериям Kidney Disease: Improving Global Outcomes (KDIGO) или имелись тяжелые сердечно-сосудистые заболевания. Критерии включения и исключения применялись последовательно. После первоначального электронного поиска каждая запись кандидата проверялась вручную для подтверждения соответствия критериям и документирования причины исключения, если таковая имелась. После скрининга подходящие пациенты были случайным образом распределены между обучающей и тестовой когортами в соотношении 8:2, включая обучающую когорту (n = 128) и тестовую когорту (n = 33). Для поддержания согласованного распределения случаев CIE и non-CIE между двумя когортами использовался стратифицированный случайный отбор.
Диагноз CIE основывался прежде всего на временной связи между началом симптомов и проведением цереброваскулярных интервенционных процедур в сочетании с исключающей диагностикой с помощью методов визуализации. Два независимых специалиста по цереброваскулярным интервенциям изучили послеоперационные клинические записи, время появления симптомов, неврологические проявления и результаты послеоперационной визуализации для всех предполагаемых случаев. Разногласия разрешались путем обсуждения до достижения консенсуса. Пациенты считались соответствующими критериям CIE, если в течение 24 h после завершения нейроинтервенционной процедуры развивалась новая корковая слепота, изменение сознания (включая сонливость, делирий или кому), судорожный приступ или очаговый неврологический дефицит, такой как гемипарез или афазия.
После появления симптомов были исключены альтернативные причины, способные вызвать аналогичные неврологические проявления, путем анализа послеоперационных снимков КТ или МРТ в сочетании с клиническим течением заболевания. Послеоперационная КТ головы проводилась в соответствии с принятым в учреждении стандартным протоколом нативной краниальной КТ. Основные параметры сканирования включали напряжение на трубке 80 kVp, ток трубки 260 mA, толщину среза 0.5 mm и стандартную аксиальную реконструкцию. Изображения анализировались опытными клиницистами в режимах просмотра головного мозга и костных структур. При дифференциальной диагностике рассматривались такие состояния, как острое внутричерепное кровоизлияние, субарахноидальное кровоизлияние, внутримозговое кровоизлияние, впервые возникший обширный инфаркт мозга, изменения, связанные с судорожными приступами, инфекции и метаболические нарушения. КТ-исследования после появления симптомов обычно демонстрировали очаговый или диффузный отек головного мозга и тени высокой плотности в коре, субкортикальных областях или субарахноидальном пространстве, имитирующие геморрагические очаги. Данные МРТ обычно указывали на отек коры, особенно затрагивающий височно-теменно-затылочную кору. Однако у некоторых пациентов при КТ или МРТ-исследованиях не обнаруживалось явных отклонений, несмотря на соответствующие клинические проявления.
Сбор периоперикулярных переменных и построение CGR
Общие демографические данные, включая возраст, пол и массу тела, были извлечены из структурированных полей системы электронных медицинских карт. Переменные клинического анамнеза, включая историю курения, употребление алкоголя, гипертонию, сахарный диабет и ишемическую болезнь сердца, были извлечены из приемо-отпускных заметок, записей о перенесенных заболеваниях и диагнозов при выписке, а затем проверены на согласованность. Лабораторные данные были извлечены из лабораторной информационной системы. Для каждого пациента использовался первый образец венозной крови, взятый после госпитализации и до проведения нейроинтервенционной процедуры. Извлеченные лабораторные показатели включали уровень креатинина в сыворотке крови, расчетную скорость клубочковой фильтрации (eGFR), общий холестерин и уровень триглицеридов. eGFR была рассчитана с использованием уравнения на основе креатинина Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI) и получена из лабораторной информационной системы больницы.
Поскольку сложность процедуры, воздействие контрастного вещества и локализация очага могут влиять на нарушение гематоэнцефалического барьера и задержку контрастного вещества во время нейроинтервенционных вмешательств, в прогностическую модель были также включены периоперационные процедурные переменные. Переменные, связанные с процедурой, включали локализацию очага, тип процедуры, продолжительность процедуры, тип контрастного вещества и общий объем контраста. Локализация очага и тип процедуры определялись по операционным отчетам и ангиографическим записям. Продолжительность процедуры определялась как время от артериальной пункции до завершения нейроинтервенционного вмешательства. Общий объем контраста определялся как совокупный объем йодсодержащего контрастного вещества, введенного от начала до конца процедуры. В данном исследовании использовались неионные ICA, включая иодиксанол (320 mg iodine/mL), которые вводились в соответствии с принятой в учреждении клинической практикой. Все нейроинтервенционные процедуры, включенные в данное исследование, выполнялись под контролем цифровой субтракционной ангиографии опытной нейроинтервенционной бригадой в центре исследования. Все процедуры проводились с использованием трансфеморального артериального доступа. Во время вмешательства пациенты получали интраоперационную антикоагуляцию гепарином, при этом активированное время свертывания поддерживалось в целевом диапазоне 250–300 s. Показатели жизненно важных функций постоянно контролировались на протяжении всей процедуры.
Терапевтические вмешательства, включая эмболизацию аневризмы, ангиопластику и стентирование, проводились в соответствии с характеристиками поражения и решением оператора. Соответствующие микрокатетеры, спирали, стенты или баллоны подбирались исходя из требований процедуры. Во время ангиографической визуализации и вмешательства контрастные вещества вводились либо с помощью инъектора высокого давления, либо путем ручной инфузии с постоянной скоростью. Тип контрастного вещества и общий объем контраста извлекались из протоколов процедур и, при наличии, сверялись с записями анестезиолога или медсестер. Записи с противоречивой или неполной информацией об объеме контраста подвергались ручной проверке перед включением в окончательный аналитический набор данных.
Все переменные, связанные с процедурой, включая продолжительность процедуры, тип терапевтического вмешательства, использование устройств и записи о введении контрастного вещества, были систематически просмотрены и проверены на полноту и последовательность перед проведением анализа. Для количественной оценки дисбаланса между нагрузкой контрастным веществом и способностью почек к клиренсу в качестве основного прогностического показателя был определен CGR, который рассчитывался по следующему уравнению:
(1)
Общий объем контрастного вещества регистрировали в mL, а рСКФ регистрировали в mL/min/1.73 m2. Для расчета CGR использовали значение рСКФ, полученное из первого образца венозной крови, взятого после госпитализации и перед нейроинтервенционным вмешательством. Для каждого пациента CGR рассчитывали после подтверждения общего объема контрастного вещества и рСКФ. В числителе указывался общий объем контрастного вещества в mL, а в знаменателе — рСКФ в mL/min/1.73 m2. Это правило расчета применялось ко всем пациентам перед разработкой модели.
Отбор признаков и рабочий процесс машинного обучения
Для обеспечения аналитической надежности все клинические и лабораторные переменные прошли систематические процедуры контроля качества перед началом анализа. До разработки модели для каждой потенциальной переменной была рассчитана доля пропущенных данных. В итоговом аналитическом наборе данных пропущенные значения среди включенных предикторов или меток исходов отсутствовали; следовательно, ни одна переменная не была исключена из-за отсутствия данных, и применение множественной импутации не потребовалось. Подробный отчет о пропущенных данных представлен в Дополнительной таблице 1.
Все потенциальные прогностические переменные были предварительно оценены с помощью однофакторного анализа для определения их связи с возникновением CIE. Статистические методы выбирались в зависимости от характеристик распределения данных. Переменные с нормальным распределением выражали как среднее значение ± стандартное отклонение и сравнивали с помощью t-критерия для независимых выборок. Переменные с ненормальным распределением выражали как медиану (межквартильный размах, IQR) и анализировали с помощью U-критерия Манна — Уитни. Категориальные переменные представляли в виде частот и процентов и анализировали с помощью критерия хи-квадрат или точного критерия Фишера. Статистическая значимость определялась при p < 0,05.
Перед разработкой модели весь набор данных был случайным образом разделен на обучающую и тестовую когорты в соотношении 8:2. Для минимизации переобучения и снижения мультиколлинеарности для отбора признаков применялась регрессия LASSO (least absolute shrinkage and selection operator) в сочетании с 10-кратной кросс-валидацией. Чтобы избежать утечки данных, отбор признаков, настройка гиперпараметров и разработка модели выполнялись исключительно на обучающей когорте. Внутренняя тестовая когорта не использовалась при оценке параметров импутации, отборе признаков, настройке гиперпараметров или обучении модели; она была задействована лишь один раз для окончательной оценки эффективности. Оптимизация гиперпараметров проводилась методом сеточного поиска с 10-кратной кросс-валидацией внутри обучающей когорты. В частности, обучающая когорта была случайным образом разделена на 10 взаимно исключающих подмножеств. На каждой итерации девять подмножеств использовались для обучения модели, а оставшееся подмножество — для валидации. Этот процесс повторялся 10 раз, чтобы каждое подмножество послужило валидационной когортой ровно один раз.
Все вычислительные анализы проводились в среде Python. Разработка и оценка моделей машинного обучения (ML) осуществлялись с использованием библиотеки scikit-learn. Скрипты анализа, использованные для предобработки данных, отбора признаков, обучения моделей, оценки эффективности и DCA, представлены в виде дополнительных файлов с кодом. При реализации моделей выбранные признаки из регрессии LASSO использовались в качестве входных переменных для всех рассматриваемых классификаторов. Непрерывные переменные были стандартизированы с помощью z-нормализации в тренировочной когорте, и те же параметры масштабирования применялись к внутренней тестовой когорте. Категориальные переменные были закодированы в соответствии с заранее определенной схемой кодирования; определения переменных и схема кодирования приведены в Дополнительной таблице 2. Были реализованы пять классификаторов: гауссова наивная модель Байеса, SVM, KNN, LightGBM и MLP. Для SVM настраивались тип ядра, параметр регуляризации C и коэффициент ядра gamma. Для KNN настраивались количество соседей и стратегия взвешивания расстояний. Для LightGBM настраивались количество итераций (estimators), скорость обучения, максимальная глубина дерева и количество листьев. Для MLP настраивались структура скрытых слоев, функция активации, параметр регуляризации и скорость обучения. Гауссова наивная модель Байеса была реализована с использованием заданного параметра сглаживания дисперсии. Оптимальное сочетание гиперпараметров для каждой модели выбиралось на основе результатов кросс-валидации в тренировочной когорте. Итоговые оптимизированные комбинации гиперпараметров, выбранные для каждой модели, обобщены в Дополнительной таблице 3. После выбора гиперпараметров каждая итоговая модель была повторно обучена на всей тренировочной когорте и один раз оценена на внутренней тестовой когорте.
Сравнение эффективности моделей
На основе выбранных предикторов были разработаны и сопоставлены пять моделей машинного обучения (ML). Эффективность моделей оценивалась как в обучающей, так и в тестовой когортах с использованием площади под ROC-кривой (AUC), 95% доверительного интервала (95% CI), чувствительности, специфичности и точности. Для сравнения дискриминационной способности различных моделей были построены ROC-кривые. Оптимальный порог классификации для каждой модели определялся исключительно в обучающей когорте с помощью индекса Юдена. Полученный порог затем фиксировался и применялся без изменений к внутренней тестовой когорте для расчета показателей эффективности, зависящих от порога.
Анализ кривых принятия решений
Анализ кривой принятия решений (DCA) проводили путем расчета чистой выгоды каждой модели в диапазоне пороговых вероятностей и сравнения стратегии на основе модели с двумя стратегиями по умолчанию: лечением всех пациентов и отсутствием лечения каких-либо пациентов. DCA был выбран, так как он позволяет одновременно оценить дискриминационную способность и потенциальную клиническую применимость в условиях принятия периоперационных решений. Для обеспечения воспроизводимости полный рабочий процесс выполнялся в следующей последовательности: идентификация пациентов в системе электронных медицинских карт, применение критериев включения и исключения, подтверждение CIE двумя независимыми специалистами, извлечение и перекрестная проверка демографических данных, клинического анамнеза, лабораторных показателей и переменных, связанных с процедурой, расчет CGR, оценка пропущенных данных и разделение на обучающую и тестовую когорты, отбор признаков на основе LASSO в обучающей когорте, настройка гиперпараметров с помощью 10-кратной перекрестной проверки, финальное переобучение модели на полной обучающей когорте, внутренняя оценка на тестовой когорте, оценка эффективности на основе ROC-кривых, определение порога по индексу Юдена и проведение DCA.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Результаты
Набор пациентов и определение CIE
В данное исследование было включено в общей сложности 161 пациент, перенесший нейроинтервенционные процедуры, из которых у 12 (7,5%) развилась CIE, а у 149 (92,5%) — нет. Подробный процесс скрининга и распределения пациентов по группам показан на Рисунке 2. Диагноз CIE устанавливался на основании временной связи между появлением симптомов и проведением нейроинтервенционных процедур в сочетании с результатами исклю...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Обсуждение
CIE — это редкое, но потенциально серьезное осложнение после нейроинтервенционных процедур, характеризующееся острой неврологической дисфункцией, которая возникает вскоре после введения контрастных веществ. Хотя данное состояние обычно обратимо, в некоторых случаях оно может привести к стойкому неврологическому дефициту или даже к летальному исходу, что подчеркивает важность раннего выявления рисков17,18,19,
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Раскрытие информации
Авторы заявляют об отсутствии конфликта интересов. Платформа OnekeyAI использовалась в данном исследовании исключительно в качестве исследовательского инструмента для структурированного анализа данных и разработки моделей.
Благодарности
Данная работа была поддержана совместной программой плана науки и технологий провинции Ляонин (Проект ключевой программы исследований и разработок; грант № 2025JH2/101800053) и программой по привлечению талантов «Синляо» провинции Ляонин (грант № XLYC2403134). Авторы также выражают благодарность отделению нейрохирургии Главного военного госпиталя Северного театра военных действий за помощь в сборе данных пациентов и анализе нейровизуализационных изображений.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Система электронных медицинских карт | Northern Theater General Hospital | Институциональная клиническая система | Использовалась для ретроспективного извлечения данных Сбор демографических переменных и данных анамнеза |
| Лабораторная информационная система | Northern Theater General Hospital | Институциональная лабораторная система | Использовалась для ретроспективного извлечения лабораторных данных Сбор данных о креатинине сыворотки, рСКФ, липидном профиле и других лабораторных показателях |
| Система цифровой субтракционной ангиографии | Philips | Allura Xper FD 20 (с рабочей станцией Interventional Workstation R1.3.2) | Использовалась в ходе стандартных клинических процедур Нейроинтервенционная процедура и регистрация использования контрастного вещества |
| КТ-сканер | Philips | Ingenuity CT | Использовался для послеоперационной оценки визуализации Послеоперационная КТ-оценка черепа |
| Платформа анализа структурированных данных OnekeyAI | OnekeyAI | 20240916 | Использовалась в качестве исследовательского инструмента; не участвовала в принятии клинических решений Предобработка структурированных данных, построение модели, оценка модели и генерация графиков |
| Python | Python Software Foundation | 3.7.12 | Язык программирования с открытым исходным кодом Предобработка данных, статистический анализ, разработка модели и визуализация |
| scikit-learn | разработчики scikit-learn | 1.0.2 | Библиотека машинного обучения для Python с открытым исходным кодом LASSO, наивный байесовский классификатор, SVM, KNN, MLP, ROC-анализ и метрики эффективности |
Ссылки
- 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.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.