Прогнозирование контраст-индуцированной энцефалопатии после нейроинтервенционных процедур с помощью машинного обучения

Краткое содержание

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.

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 внимания^3,4,5,6,7. 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 судороги^4,5,6. 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 мозга^4,7. 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 способностью^8,9,10,11. Однако при стремлении к точности прогнозирования «черный ящик» этих алгоритмов, характеризующийся отсутствием интерпретируемости, часто вызывает опасения в отношении доверия к принятию медицинских решений^12,13. Напротив, алгоритм наивного байесовского классификатора с его простой вероятностной логикой и присущей ему интерпретируемостью демонстрирует уникальные преимущества в клинических исследованиях с малыми выборками^14,15. 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.

Протокол

Протокол исследования был рассмотрен и одобрен Комитетом по этике Главного госпиталя Северного театра военных действий (одобрение № 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 было проведено как ретроспективный анализ имеющихся клинических записей. Этическое одобрение, полученное в 2026 году, охватывало ретроспективный сбор данных, деидентификацию, анализ и публикацию этих ранее собранных клинических данных. Никаких проспективных вмешательств или набора пациентов до получения этического одобрения не проводилось. Требование о письменном информированном согласии было отменено в связи с дизайном ретроспективного обсервационного исследования. Все процедуры проводились в соответствии с Хельсинкской декларацией, и все клинические данные были деидентифицированы перед анализом. Данный анализ был проведен в рамках утвержденного ретроспективного исследовательского проекта по нейроинтервенционным клиническим данным. Материалы и оборудование, необходимые для описанных ниже процедур, приведены в Таблице материалов.

Набор пациентов и определение CIE

Потенциальных пациентов для исследования выявляли путем поиска в системе электронных медицинских карт лиц, проходивших лечение в отделении нейрохирургии Главного госпиталя Северного театра военных действий в период с января 2024 года по декабрь 2025 года. Первоначальный поиск был ограничен датой госпитализации, отделением, диагнозом «цереброваскулярное заболевание» и записями о проведении нейроинтервенционных процедур. Подробный процесс отбора пациентов и распределения по когортам представлен на Рисунке 2. Пациенты подлежали включению в исследование при соответствии всем следующим критериям: (1) возраст от 30 до 80 лет; (2) диагноз «цереброваскулярное заболевание», требующий нейроинтервенционной оценки или лечения; (3) наличие полных клинических записей и результатов лабораторных анализов; (4) проведение послеоперационной КТ головного мозга в течение 3 дней после операции.

Пациенты исключались, если у них отсутствовали полные клинические данные или данные визуализации, если они не перенесли эндоваскулярное вмешательство, имели тяжелый предоперационный неврологический дефицит (оценка по модифицированной шкале Рэнкина ≥4), признаки острого церебрального инфаркта при предоперационной диффузионно-взвешенной МРТ, хроническую болезнь почек стадии G4 или выше согласно критериям Kidney Disease: Improving Global Outcomes (KDIGO) или 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 в обучающую и тестовую когорты в соотношении 8:2, включая обучающую когорту (n = 128) и тестовую когорту (n = 33). Стратифицированная случайная выборка использовалась для обеспечения единообразного распределения случаев CIE и не-CIE между двумя когортами.

Диагноз CIE основывался преимущественно на временной связи между появлением симптомов и процедурами цереброваскулярного вмешательства в сочетании с исключающей диагностикой по данным визуализации. Два независимых специалиста по цереброваскулярным вмешательствам изучили послеоперационные клинические записи, время появления симптомов, неврологические проявления и результаты послеоперационной визуализации для всех случаев с подозрением на данную патологию. Разногласия разрешались путем обсуждения до достижения консенсуса. Пациенты считались соответствующими критериям CIE, если в течение 24 ч после завершения нейроинтервенционной процедуры развивались новая корковая слепота, изменение сознания (включая сонливость, делирий или кому), судорожный приступ или очаговый неврологический дефицит, такой как гемипарез или афазия.

После появления симптомов альтернативные причины, способные вызвать аналогичные неврологические проявления, были исключены путем анализа послеоперационных снимков КТ или МРТ в сочетании с клиническим течением заболевания. Послеоперационная КТ головы проводилась с использованием стандартного в данном учреждении протокола нативного сканирования черепа. Основные параметры сбора данных 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 учитывались острое внутричерепное кровоизлияние, субарахноидальное кровоизлияние, внутримозговое кровоизлияние, недавно развившийся обширный инфаркт мозга, изменения, связанные с судорожными приступами, инфекции и метаболические нарушения. КТ-исследования после появления симптомов обычно демонстрировали очаговой или диффузный отек головного мозга и тени высокой плотности в области коры, подкорковых областей или субарахноидального пространства, имитирующие геморрагические очаги. Данные МРТ обычно указывают на отек коры, особенно с вовлечением височно-теменно-затылочной коры. Однако у некоторых пациентов КТ- или МРТ-исследования не выявили явных отклонений, несмотря на соответствующие клинические проявления.

Сбор периоперационных 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, употребления алкоголя, наличие гипертензии, сахарного диабета и ишемической болезни сердца, были извлечены из записей при поступлении, данных о перенесенных заболеваниях и диагнозов при выписке, а затем проверены на соответствие. Лабораторные данные были извлечены из лабораторной информационной системы. Для каждого пациента использовался первый образец венозной крови, взятый после поступления и до проведения нейроинтервенционной процедуры. Извлеченные лабораторные показатели включали уровень креатинина в сыворотке, расчетную скорость клубочковой фильтрации (рСКФ), общий холестерин и уровень триглицеридов. рСКФ 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 процедур, в прогностическую модель были включены также периоперационные переменные процедуры. 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 суммарный объем введенного йодсодержащего контрастного вещества от начала до конца процедуры. В данном исследовании использовались неионные ICA, в том числе 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 мониторировались 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 сверялись с записями анестезиологов или медсестер при их наличии. Записи с противоречивой или неполной информацией об объеме контрастного вещества проверялись вручную 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 рассмотрены и проверены на полноту и согласованность перед проведением анализа. Для количественной оценки дисбаланса между нагрузкой контрастного вещества и способностью почек к клиренсу в качестве основной прогностической переменной была определена CGR, которая рассчитывалась по следующей формуле:

(1)

Общий объем контрастного вещества регистрировали в mL, а рСКФ — в mL/min/1.73 m². Для расчета CGR использовалось значение рСКФ, определенное по первому образцу венозной крови, взятому после поступления пациента и до проведения нейроинтервенционной процедуры. Для каждого пациента CGR рассчитывали после подтверждения общего объема контрастного вещества и рСКФ. Числителем служил общий объем контрастного вещества в mL, а знаменателем — рСКФ в mL/min/1.73 m². Данное 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. Перед разработкой модели для каждой потенциальной переменной рассчитывалась 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 изначально оценивались с помощью однофакторного анализа для определения их связи с возникновением CIE. Статистические методы выбирались в соответствии с характеристиками распределения данных. Переменные с нормальным распределением были представлены как среднее значение ± стандартное отклонение и сравнивались с использованием t-критерия для независимых выборок. Переменные с ненормальным распределением были представлены как медиана (межквартильный размах, IQR) и анализировались с помощью U-критерия Манна — Уитни. Категориальные переменные были представлены в виде частот и процентов и анализировались с помощью критерия хи-квадрат или точного теста Фишера. Статистическая значимость определялась как 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 методом наименьших абсолютных отклонений (LASSO) в сочетании с 10-кратной перекрестной проверкой. Отбор признаков, настройка гиперпараметров и разработка модели осуществлялись исключительно на обучающей когорте во избежание утечки данных. 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 с использованием стратегии поиска по сетке (grid search) с 10-кратной перекрестной проверкой внутри обучающей когорты. В частности, обучающая когорта была случайным образом разделена на 10 взаимоисключающих подмножеств. В ходе каждой итерации девять подмножеств использовались для обучения модели, а оставшееся подмножество — для валидации. Этот процесс повторяли 10 раз, чтобы каждое подмножество послужило валидационной когортой ровно один раз.

Все вычислительные анализы были выполнены в среде Python. Разработка и оценка моделей машинного обучения (ML) проводились с использованием библиотеки scikit-learn. Скрипты анализа, использованные для предобработки данных, отбора признаков, обучения моделей, оценки эффективности и анализа кривых принятия решений (DCA), представлены в виде дополнительных файлов с кодом. Для реализации моделей в качестве входных переменных для всех потенциальных классификаторов использовались признаки, отобранные с помощью LASSO-регрессии. Непрерывные переменные были стандартизированы с использованием z-показателя в тренировочной когорте, и те же параметры масштабирования были применены 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: гауссовский наивный байесовский классификатор, SVM, KNN, LightGBM и MLP. Для SVM были оптимизированы тип ядра, параметр регуляризации C и коэффициент ядра gamma. Для KNN были оптимизированы количество соседей и стратегия взвешивания расстояний. Для LightGBM были оптимизированы количество итераций (estimators), скорость обучения, максимальная глубина дерева и количество листьев. Для MLP были оптимизированы структура скрытого слоя, функция активации, параметр регуляризации и скорость обучения. Гауссовский наивный байесовский классификатор был реализован с использованием заданной настройки сглаживания дисперсии. Оптимальная комбинация гиперпараметров для каждой модели выбиралась на основе результатов перекрестной проверки 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 полной тренировочной когорте и один раз протестирована на внутренней тестовой когорте.

Сравнение производительности моделей

На основе выбранных предикторов были разработаны и сравнены пять моделей машинного обучения (ML). Эффективность моделей оценивали в обучающей и тестовой когортах, используя площадь под ROC-кривой (AUC), 95% доверительный интервал (95% CI), чувствительность, специфичность и точность. Для сравнения дискриминационной способности различных моделей были построены ROC-кривые. Оптимальный порог классификации для каждой модели определяли исключительно в обучающей когорте с помощью индекса Юдена. Полученный порог затем фиксировали и применяли 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 стандартными стратегиями: лечением всех пациентов и отсутствием лечения каких-либо пациентов. DCA был выбран, поскольку он позволяет одновременно оценить дискриминационную способность и потенциальную клиническую применимость в условиях принятия периоперационных решений. Для обеспечения воспроизводимости весь рабочий процесс выполнялся в следующей последовательности: идентификация пациентов в системе электронных медицинских карт, применение критериев включения и исключения, верификация CIE двумя независимыми специалистами, извлечение и перекрестная проверка демографических данных, анамнеза, лабораторных показателей и переменных, связанных с процедурой, расчет CGR, оценка пропущенных данных и разделение на обучающую и тестовую когорты, отбор признаков на основе метода LASSO в обучающей когорте, настройка гиперпараметров с помощью 10-кратной перекрестной проверки, окончательная переподгонка модели на полной обучающей когорте, оценка на внутренней тестовой когорте, оценка эффективности на основе ROC-кривых, определение порога по индексу Юдена и DCA.

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 нейроинтервенционными процедурами в сочетании с данными визуализации, исключающими другие причины. Репрезентативные результаты нейровизуализации при CIE представлены на рисунке 3A–D.

Исходные демографические, клинические, лабораторные и процедурные характеристики двух групп обобщены в Таблице 1. Между группами CIE и не-CIE не было обнаружено значимых различий по возрасту, распределению пола или массе тела (все p > 0.05). Аналогичным образом, распространенность общих сопутствующих заболеваний, включая гипертонию, сахарный диабет и ишемическую болезнь сердца, существенно не различалась между двумя группами (все p > 0.05). Факторы образа жизни, такие как употребление алкоголя и статус курения, также были сопоставимы.

Напротив, несколько переменных, связанных с лабораторными показателями и процедурами, продемонстрировали значимые различия между двумя группами. У пациентов группы CIE уровни креатинина в сыворотке крови были значимо выше по сравнению с группой без CIE (медиана: 85.2 против 65.3 µmol/L, p = 0.004), в то время как их рСКФ была значимо ниже (медиана: 81 против 102.7 mL/min/1.73 m², p < 0.001). Что касается характеристик процедур, процедуры эмболизации проводились значимо чаще в группе CIE, чем в группе без CIE (41.7% против 2.0%, p < 0.001). Кроме того, поражения заднего круга кровообращения значимо чаще встречались у пациентов, у которых развилась CIE (58.3% против 6.0%, p < 0.001). Существенных различий в типе используемого контрастного вещества между двумя группами обнаружено не было (p = 0.982). Более того, пациенты в группе CIE получили значимо больший объем контрастного вещества во время процедуры (медиана: 200.0 против 165.0 mL, p = 0.005), и продолжительность процедуры у них была больше (медиана: 78.5 против 50.0 min, p = 0.008). Примечательно, что CGR, композитный индекс, предложенный в данном исследовании, был значимо выше в группе CIE по сравнению с группой без CIE (медиана: 2.35 против 1.63, p < 0.001), что указывает на сильную связь между CGR и возникновением CIE.

Сбор периоперационных переменных и построение CGR

Периоперационные демографические, лабораторные и процедурные переменные систематически собирались и анализировались в соответствии с описанным протоколом. Среди этих переменных CGR, определенный как отношение общего объема контрастного вещества к eGFR, был сформирован как комплексный показатель, отражающий баланс между воздействием контрастного вещества и способностью почек к клиренсу. CGR был связан с возникновением CIE в данной когорте и был включен в качестве потенциального предиктора для анализа отбора признаков и разработки модели. Чтобы сравнить CGR с его отдельными компонентами, мы провели сравнительный ROC-анализ с использованием CGR, общего объема контрастного вещества и eGFR. CGR продемонстрировал наивысшую дискриминационную способность в отношении CIE с AUC 0,959 (95% CI: 0,924–0,985) по сравнению с общим объемом контрастного вещества (AUC = 0,745, 95% CI: 0,559–0,886) и eGFR, проанализированным в направлении обратного риска (AUC = 0,865, 95% CI: 0,764–0,951). Разница AUC между CGR и общим объемом контрастного вещества составила 0,214, а разница AUC между CGR и eGFR — 0,093. Подробные результаты представлены в Дополнительной таблице 4.

Отбор признаков и рабочий процесс машинного обучения

Для выявления наиболее значимых предикторов при минимизации мультиколлинеарности к переменным-кандидатам была применена LASSO-регрессия с 10-кратной перекрестной проверкой. Профиль коэффициентов и кривые перекрестной проверки модели LASSO представлены на Рисунок 4A и Рисунок 4Bсоответственно. Ранжирование коэффициентов LASSO для финальной модели представлено в Рисунок 5При оптимальном λ значение, был сохранен подмножество переменных, включая СГР (CGR), тип процедуры, локализацию очага, уровень триглицеридов, уровень креатинина в сыворотке крови, рСКФ (eGFR) и несколько клинических ковариат. Количественный рейтинг сохраненных предикторов на основе коэффициентов LASSO представлен в Дополнительная таблица 5.

Сравнение производительности моделей

Для прогнозирования риска развития CIE были разработаны пять подходов с использованием машинного обучения (ML): Naive Bayes, SVM, KNN, LightGBM и MLP. Показатели их эффективности на обучающей и тестовой выборках обобщены в Таблице 2, сравнение точности пяти моделей представлено на Рисунке 6, а соответствующие матрицы ошибок приведены на Дополнительном рисунке 1, Дополнительном рисунке 2, Дополнительном рисунке 3, Дополнительном рисунке 4 и Дополнительном рисунке 5. Поскольку набор данных был заметно несбалансированным (12 случаев CIE и 149 случаев без CIE), показатели точности и метрики на основе пороговых значений следует интерпретировать с осторожностью и в сочетании с чувствительностью, специфичностью, AUC и доверительными интервалами. На обучающей выборке все модели продемонстрировали хорошую дискриминационную способность со значениями AUC в диапазоне 0,961–0,999. На внутренней тестовой выборке модель Naive Bayes показала самые высокие числовые значения (AUC = 0,952, 95% CI: 0,843–1,000), за ней следовали LightGBM (AUC = 0,944, 95% CI: 0,822–1,000) и SVM (AUC = 0,935, 95% CI: 0,796–1,000).

При оптимальном пороге классификации, определенном по индексу Юдена, модель наивного байесовского классификатора продемонстрировала чувствительность 100% и специфичность 90,3%. Поскольку формальные попарные статистические сравнения AUC моделей не проводились, наблюдаемые различия между моделями следует интерпретировать как описательные и поисковые. Кроме того, из-за выраженного дисбаланса набора данных и небольшого размера внутренней тестовой когорты с крайне ограниченным количеством событий CIE, метрики на основе порога, такие как чувствительность и специфичность, могут быть нестабильными и должны интерпретироваться с осторожностью. Кривые рабочей характеристики приемника (ROC-кривые) модели наивного байесовского классификатора для обучающей и тестовой выборок представлены на Рисунке 7.

Хотя модель MLP показала хорошие результаты на обучающей выборке (AUC = 0.961), ее эффективность значительно снизилась на тестовой выборке (AUC = 0.742), что указывает на возможное переобучение. Аналогично, модель KNN продемонстрировала ограниченную дискриминационную способность на тестовой выборке (AUC = 0.718) с широким доверительным интервалом, что свидетельствует о нестабильности. Для определения оптимального порога классификации для метрик, зависящих от порога, включая чувствительность, специфичность и точность, использовалась стратегия на основе индекса Юдена. Значения ROC-AUC сами по себе не зависят от порога. Следовательно, представленные показатели эффективности, зависящие от порога, отражают поведение модели в оптимальной рабочей точке. Оптимальные пороги Юдена и соответствующие им метрики на основе порогов приведены в Дополнительной таблице 6. В целом, модель Naive Bayes показала относительно стабильные описательные характеристики между обучающей и внутренней тестовой выборками с минимальным численным снижением AUC.

Анализ кривых принятия решений

Для оценки клинической полезности моделей при различных значениях пороговых вероятностей был проведен анализ кривой принятия решений (DCA). Кривые DCA представлены на рисунке 8. Все модели продемонстрировали положительную чистую выгоду в определенных диапазонах пороговых вероятностей по сравнению со стратегиями «лечить всех» и «не лечить никого». Среди оцениваемых моделей SVM продемонстрировал самый широкий диапазон положительной чистой выгоды, в то время как другие модели также показали потенциальную клиническую полезность в специфических пороговых диапазонах.

ДОСТУПНОСТЬ ДАННЫХ:

Обезличенные исходные данные, использованные для основного анализа, были загружены на GitHub и доступны по адресу: https://doi.org/10.5281/zenodo.20043331. Все прямые идентификаторы пациентов были удалены перед обменом данными. Поскольку это было ретроспективное клиническое исследование на основе медицинских записей больницы, доступ к любой дополнительной информации на уровне пациентов остается ограниченным в соответствии с институциональными требованиями по этике и конфиденциальности. Дополнительные обезличенные данные могут быть предоставлены автором, с которым следует вести переписку, по обоснованному запросу и при наличии одобрения комитета по этике учреждения. Скрипты статистического анализа, код обучения модели ML и код для построения графиков предоставлены в качестве дополнительных файлов для обеспечения воспроизводимости.

Рисунок 1: Схема моделирования риска CIE на основе периоперационных данных. (A) Механизмы CIE и вывод отношения объема контрастного вещества к рСКФ (CGR). (B) Интеграция данных и отбор признаков с помощью LASSO. (C) Разработка и сравнение моделей машинного обучения (ML), где наивный байесовский классификатор продемонстрировал наивысший числовой показатель AUC во внутреннем тестовом наборе (AUC ≈ 0,95). Сокращения: CIE = контраст-индуцированная энцефалопатия; CGR = отношение объема контрастного вещества к рСКФ; рСКФ = расчетная скорость клубочковой фильтрации; AUC = площадь под кривой. Рисунок составлен на основе собственных клинических данных авторов; схематическая иллюстрация изначально создана авторами с использованием модифицированных значков Microsoft PowerPoint. Нажмите здесь, чтобы просмотреть этот рисунок в большем размере.

Рисунок 2: Отбор пациентов и распределение по когортам. Блок-схема, иллюстрирующая скрининг пациентов, оценку соответствия критериям, критерии исключения и распределение по когортам. Первоначально было обследовано 225 пациентов. После применения критериев включения, включая возраст от 30 до 80 лет, наличие полных клинических данных и выполнение послеоперационной КТ головы в течение 3 суток, подходящими были признаны 190 пациентов. Пациенты были исключены на основании острого церебрального инфаркта, хронической болезни почек стадии ≥ G4 (eGFR < 30 mL/min/1.73 m²), тяжелых сердечно-сосудистых заболеваний, отсутствия эндоваскулярного лечения, тяжелого неврологического дефицита (балл по модифицированной шкале Рэнкина ≥ 4) или неполноты данных. В итоге были включены 161 пациент, которые были случайным образом разделены на обучающую когорту (n = 128) и внутреннюю тестовую когорту (n = 33) в соотношении 8:2. Сокращения: CT = компьютерная томография; eGFR = расчетная скорость клубочковой фильтрации; CKD = хроническая болезнь почек; mRS = модифицированная шкала Рэнкина. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 3: Серия КТ-изображений без контраста пациента с CIE. (A) Исходная КТ перед процедурой. (B) КТ при появлении симптомов, демонстрирующая гиперплотность коры в правой теменной доле (стрелка). (C) КТ на первый послеоперационный день, демонстрирующая частичное разрешение. (D) КТ на второй послеоперационный день, демонстрирующая дальнейшее разрешение. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 4: Отбор признаков на основе метода LASSO. (A) Кривая десятикратной перекрестной проверки, использованная для определения оптимального λ на основе минимального MSE. (B) Профили коэффициентов переменных-кандидатов, построенные в зависимости от log(λ), демонстрирующие изменение коэффициентов переменных при увеличении силы регуляризации. Сокращения: LASSO = метод наименьшего абсолютного сжатия и отбора; λ = параметр регуляризации; MSE = средняя квадратичная ошибка. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 5: Коэффициенты выбранных переменных. Столбчатая диаграмма, показывающая коэффициенты переменных, сохраненных после отбора LASSO. Положительные коэффициенты указывают на прямую связь; отрицательные коэффициенты указывают на обратную связь. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 6: Точность обучения и тестирования пяти моделей машинного обучения (ML). Точность пяти ML-моделей (Naive Bayes, SVM, KNN, LightGBM, MLP) в обучающей и тестовой выборках. Сокращения: SVM = метод опорных векторов; KNN = k-ближайших соседей; LightGBM = облегченная машина градиентного бустинга; MLP = многослойный перцептрон. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 7: ROC-кривые модели наивного байесовского классификатора.Кривые рабочих характеристик приемника для обучающей и внутренней тестовой когорт с соответствующими значениями площади под кривой. Сокращения: ROC = рабочая характеристика приемника; AUC = площадь под кривой. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 8: Анализ кривых принятия решений. DCA, демонстрирующий чистую выгоду различных моделей при разных пороговых вероятностях по сравнению со стратегиями «лечить всех» (treat-all) и «не лечить никого» (treat-none). Закрашенные области указывают на диапазоны пороговой вероятности, при которых модель обеспечивала положительную чистую выгоду по сравнению с обеими стратегиями — «лечить всех» и «не лечить никого». Сокращения: DCA = анализ кривых принятия решений. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Дополнительная фигура 1: Матрица ошибок модели Naive Bayes в внутренней тестовой когорте. В матрице отображено количество правильно и неправильно классифицированных образцов при выбранном пороге классификации.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная фигура 2: Матрица ошибок модели SVM во внутренней тестовой когорте. Матрица отображает количество правильно и неправильно классифицированных образцов при выбранном пороге классификации.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная фигура 3: Матрица ошибок модели KNN во внутренней тестовой когорте. Матрица отображает количество правильно и неправильно классифицированных образцов при выбранном пороге классификации.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная фигура 4: Матрица ошибок модели LightGBM во внутренней тестовой когорте. В матрице отображается количество правильно и неправильно классифицированных образцов при выбранном пороге классификации.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная фигура 5: Матрица ошибок модели MLP во внутренней тестовой когорте.Матрица отображает количество правильно и неправильно классифицированных образцов при выбранном пороге классификации.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Характеристика	CIE ( n = 12 )	Non-CIE ( n = 149 )	p-значение
Демографические данные
Возраст (лет), медиана (МКИ)	67 (62.5–69.0 )	63 ( 55.0–70.0 )	0.194
Мужчины, n (%)	9 (75.0)	105 (70.5)	1.000
Вес (кг), медиана (МКИ)	65 (55.0–70.0)	70 (60.0–77.5)	0.160
Сопутствующие заболевания, n (%)
Гипертония	7 (58.3)	102 (68.5)	0.526
Диабет	4 (33.0)	57 (38.3)	1.000
Ишемическая болезнь сердца	2 (16.7)	23 (15.4)	1.000
Привычки, n (%)
Употребление алкоголя	7 (58.3)	78 (52.3)	0.770
Статус курения	7 (58.3)	59 (39.6)	0.233
Лабораторные показатели, медиана (МКИ)
Креатинин сыворотки (μmol/L)	85.2 (65.0–89.0)	65.3 (54.9–75.7)	0.004
рСКФ (mL/min/1.73m²)	81.0 (60.6–90.3)	102.7 (89.0–116.3)	<0.001
Общий холестерин (mmol/L)	3.3 (3.0–4.4)	3.4 (2.9–4.1)	0.775
Триглицериды (mmol/L)	1.8 (1.2–2.1)	1.2 (0.8–1.6)	0.017
Характеристики процедуры
Тип процедуры, n ( % )			<0.001
- Стентирование	7 (58.3)	146(98.0)
- Эмболизация	5 (41.7)	3 (2.0)
Локализация поражения, n (%)			<0.001
- Задний отдел кровообращения	7 (58.3)	9 (6.0)
- Передний отдел кровообращения	5 (41.7)	140 (94.0)
Тип контрастного вещества, n (%)			0.982
- 2-е поколение	6 (50.0)	75 (50.3)
- 3-е поколение	6(50.0)	74 (49.7)
Общий объем контраста (mL), медиана (МКИ)	200 (188.0–200.0)	165 (155.0–180.0)	0.005
Длительность процедуры (min), медиана (МКИ)	78.5 (52.5–124.5)	50 (47.0–57.0)	0.008
Новый индекс
CGR, медиана (МКИ)	2.35 (2.17–2.70)	1.63 (1.40–1.85)	<0.001

Таблица 1: Исходные клинические характеристики пациентов. Было проведено сравнение демографических, клинических, лабораторных и процедурных характеристик пациентов в группах с CIE и без CIE. Непрерывные переменные представлены как среднее значение ± стандартное отклонение или медиана (межквартильный размах), а категориальные переменные — в виде количества и процента. Статистические сравнения между группами проводились с использованием соответствующих параметрических или непараметрических тестов. Сокращения: CIE = контраст-индуцированная энцефалопатия; eGFR = расчетная скорость клубочковой фильтрации; CGR = отношение объема контраста к eGFR; IQR = межквартильный размах; SD = стандартное отклонение.

Название модели	Точность	AUC	95% ДИ	Чувствительность	Специфичность	Набор данных
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	обучающий
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	тестовый
SVM	0.992	0.999	0.997–1.000	1.0	0.992	обучающий
SVM	0.879	0.935	0.796–1.000	1.0	0.871	тестовый
KNN	0.891	0.969	0.941–0.997	1.0	0.881	обучающий
KNN	0.939	0.718	0.194–1.000	0.5	0.968	тестовый
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	обучающий
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	тестовый
MLP	0.914	0.961	0.908–1.000	0.9	0.915	обучающий
MLP	0.970	0.742	0.228–1.000	0.5	1.000	тестовый

Таблица 2: Сравнение эффективности моделей. Прогностическая эффективность различных моделей машинного обучения (ML) оценивалась по показателям точности, площади под кривой (AUC), 95% доверительного интервала (CI), чувствительности и специфичности в обучающем и внутреннем тестовом наборах данных. Сокращения: CI = доверительный интервал.

Дополнительная таблица 1: Резюме оценки пропущенных данных перед разработкой модели. Сводка пропущенных значений для всех потенциальных переменных-предикторов перед разработкой модели. Пропущенных значений среди включенных переменных не обнаружено; следовательно, процедура импутации не проводилась.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 2: Словарь переменных аналитического набора данных. Определения, методы кодирования, категории переменных и описания клинических, лабораторных и процедурных переменных, включенных в ML-анализ.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 3: Пространство поиска гиперпараметров и выбранные параметры для моделей машинного обучения (ML). Приведены диапазоны возможных гиперпараметров и оптимизированные параметры, полученные в ходе настройки каждой модели алгоритма ML.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 4: Сравнительный ROC-анализ CGR и его отдельных компонентов. Для сравнения прогностической эффективности CGR и его отдельных компонентов при прогнозировании CIE был проведен анализ рабочих характеристик приемника (ROC-анализ).Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 5: Количественный рейтинг признаков на основе коэффициентов LASSO. Отобранные переменные были ранжированы в соответствии со значениями их коэффициентов после регрессии LASSO, что демонстрирует относительный вклад и направление связи каждой переменной в прогностической модели.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 6: Пороги Юдена, определенные в обучающей когорте, и соответствующие показатели эффективности классификации. Оптимальный порог для каждой модели был определен исключительно в обучающей когорте с использованием индекса Юдена, после чего он был зафиксирован и применен к внутренней тестовой когорте. Точность, чувствительность и специфичность во внутренней тестовой когорте были рассчитаны с использованием этих фиксированных порогов.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

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 рисков^17,18,19,20. Однако патофизиологические механизмы, лежащие в основе CIE, сложны и многофакторны; они включают взаимодействие индивидуальных факторов пациента, свойств контрастного вещества и особенностей проведения процедуры^{9,10,21,22,23,24}. Эта сложность делает крайне затруднительным проведение точной периоперационной оценки рисков, основанной исключительно на единичных клинических переменных или эмпирических суждениях.

В данном исследовании были построены и оценены пять моделей ML для прогнозирования риска возникновения CIE у пациентов, переносящих цереброваскулярные вмешательства. После сравнительного описательного анализа производительности модель Naive Bayes была определена как модель с наиболее сбалансированными показателями в этом исследовании. С точки зрения дискриминационной способности модели, модель Naive Bayes продемонстрировала наивысшее числовое значение AUC во внутренней тестовой когорте (AUC = 0.952; 95% CI: 0.843–1.000) по сравнению с 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) и алгоритмом KNN (KNN; AUC = 0.718, 95% CI: 0.195–1.000). Поскольку формальное попарное статистическое сравнение AUC моделей не проводилось, эти различия следует интерпретировать как описательные, а не как окончательное доказательство превосходства модели. Стоит отметить, что KNN и MLP показали хорошие результаты на обучающем наборе (AUC = 0.969 и 0.961 соответственно), но их эффективность существенно снизилась на тестовом наборе, что указывает на возможное переобучение²⁵. Напротив, модель Naive Bayes сохранила схожие описательные значения AUC между обучающей и внутренней тестовой когортами (разница AUC = 0.009), что свидетельствует о относительно стабильной описательной производительности в данном наборе данных. Однако эту видимую стабильность следует интерпретировать с осторожностью, так как внутренняя тестовая когорта включала всего 33 пациента и очень ограниченное количество случаев CIE.

С практической точки зрения, относительно простая вероятностная структура наивного байесовского классификатора (Naive Bayes) может быть подходящей для клинических наборов данных с малой выборкой, особенно когда количество конечных событий ограничено. В данном исследовании модель Naive Bayes продемонстрировала относительно сбалансированную описательную эффективность между обучающей и внутренней тестовой когортами. Однако, поскольку внутренняя тестовая когорта была небольшой и содержала очень мало случаев CIE, эта кажущаяся стабильность следует интерпретировать с осторожностью; она требует внешней валидации. Относительно благоприятная описательная эффективность модели Naive Bayes в данном наборе данных может быть связана с ее простой вероятностной структурой и применимостью в условиях малых выборок при условии независимости признаков^14,15. Напротив, более сложные модели, такие как MLP и LightGBM, более склонны к переобучению в условиях ограниченной выборки, что снижает их обобщающую способность. Эти результаты также свидетельствуют о том, что в высокорискованных, клинически ориентированных областях исследований, таких как нейроинтервенция, при выборе модели следует делать больший акцент на стабильности, воспроизводимости и клинической осуществимости, а не слепо стремиться к абсолютному превосходству сложных алгоритмов или отдельных показателей эффективности. DCA показал, что модель Naive Bayes может обеспечить чистую выгоду при выбранных пороговых вероятностях, однако этот результат носит предварительный характер и требует внешней валидации. Кроме того, ее простая структура, эффективность вычислений и интерпретируемость могут способствовать ее дальнейшей оценке в качестве предварительной модели периоперационной стратификации рисков, но перед клиническим внедрением необходима внешняя валидация. С клинической точки зрения, частота возникновения CIE в данном исследовании составила 7,5%, что выше 2%–5%, обычно регистрируемых в предыдущих отчетах⁷. Это несоответствие в значительной степени объясняется высокой селективностью исследуемой популяции: когорта состояла из пациентов с цереброваскулярными заболеваниями, перенесших сложные нейроинтервенционные процедуры, такие как эмболизация аневризмы. Специфический контраст в схемах введения препаратов, связанных с этими процедурами, таких как суперселективная ангиография и локальное удержание высоких доз, а также большая продолжительность процедур, являются признанными факторами риска CIE^9,10,26. Кроме того, более высокий исходный риск пациентов дополнительно повышает общий уровень заболеваемости. Результаты исследования подчеркивают, что поражения заднего круга кровообращения и процедуры эмболизации являются сильными предикторами CIE. Анатомически задний круг кровообращения (вертебробазилярная система) снабжает кровью ствол мозга, мозжечок и затылочную долю. Затылочная доля обладает чрезвычайно высокой чувствительностью к токсичности контрастного вещества, что объясняет, почему у пациентов с CIE часто наблюдается корковая слепота. Кроме того, гемодинамические характеристики вертебробазилярной системы отличаются от характеристик переднего круга кровообращения, что может частично объяснить наблюдаемую связь между поражениями заднего круга кровообращения и CIE в данной когорте.

Процедуры эмболизации обычно проходят сложнее, чем простая ангиопластика, и требуют частого проведения суперселективной ангиографии для подтверждения положения спиралей и степени окклюзии тромбом, что приводит к значительно более высокой пиковой экспозиции контрастного вещества в локальном сосудистом русле за единицу времени по сравнению с рутинными процедурами. Такое интенсивное и локализованное воздействие контраста может быть биологически обоснованным фактором нарушения ГЭБ, хотя данный механизм не удалось напрямую верифицировать в настоящем ретроспективном исследовании. В соответствии с анализом исходных характеристик, у пациентов в группе CIE наблюдались значительно более высокие показатели частоты проведения эмболизации и большая доля поражений заднего мозгового кровообращения по сравнению с пациентами в группе без CIE; это позволяет предположить, что сложность хирургического вмешательства и анатомическая локализация поражения могут быть связаны с возникновением CIE. Более того, большая продолжительность процедуры и более высокий общий объем использованного контрастного вещества в группе CIE дополнительно подчеркивают кумулятивное влияние хирургических стрессоров на риск развития CIE.

Для повышения клинической интерпретируемости модели в данном исследовании CGR оценивался как предварительный комбинированный индекс. Риск возникновения CIE зависит не только от абсолютной дозы контрастного вещества, поступающего в церебральную сосудистую сеть, но и тесно связан со скоростью выведения контрастного вещества из системного кровотока. CGR объединяет общий объем контраста и eGFR в единый комбинированный индекс, отражающий нагрузку контрастным веществом относительно способности почек к клиренсу. Такой подход к разработке опирается на общепринятую парадигму использования отношений для прогнозирования контраст-индуцированной нефропатии (CIN), например, отношения объема контрастного вещества к eGFR²⁷, и соответствует современным стратегиям создания комплексных биомаркеров, таких как соотношение нейтрофилов к лимфоцитам (NLR)²⁸ и триглицерид-глюкозный индекс (TyG)²⁹, целью которых является выявление основных патофизиологических состояний заболеваний. Йодированные контрастные вещества выводятся почками преимущественно в неизменном виде. При снижении почечного клиренса системное воздействие йодированных контрастных веществ может быть пролонгировано, что может увеличить воздействие контрастных веществ на эндотелий. Во время нейроинтервенционных процедур контрастные вещества часто вводятся непосредственно в церебральное кровоток через внутренние сонные или позвоночные артерии в высоких концентрациях; локальный экстремальный градиент осмотического давления может нарушить целостность ГЭБ³⁰. В этот момент, если системный клиренс нарушен, накопившееся в кровотоке контрастное вещество может продолжать поддерживать градиент концентрации через ГЭБ, стимулируя диффузию контрастного вещества в интерстициальное пространство мозга. Кроме того, CGR может предоставить клинически интуитивно понятный способ интеграции контрастной нагрузки и почечного клиренса, однако его дополнительная прогностическая ценность по сравнению с одним только объемом контраста или eGFR требует дальнейшего подтверждения. Таким образом, CGR может служить предварительным индексом для периоперационной стратификации риска CIE.

В данном исследовании было установлено, что тип контрастного вещества (низкоосмолярные препараты второго поколения в сравнении с изоосмолярными препаратами третьего поколения) не имел значимой независимой прогностической ценности для возникновения CIE (p = 0,982). Этот результат не вполне согласуется с некоторыми предыдущими отчетами. Одним из возможных объяснений является то, что вклад в нейротоксичность контрастных веществ могут вносить факторы, отличные от осмолярности, такие как химическая токсичность или вязкость; однако данная интерпретация носит спекулятивный характер и требует дальнейшего механистического подтверждения. Эта интерпретация подтверждается предыдущими клиническими и механистическими исследованиями^31,32. Более того, в клинической практике операторы могут отдавать предпочтение изоосмолярным контрастным веществам третьего поколения для пациентов высокого риска, что вносит потенциальную систематическую ошибку, связанную с показаниями, которая может маскировать любые базовые различия между различными типами контрастных веществ.

Для успешного применения данного рабочего процесса следует выделить несколько критических этапов протокола. Во-первых, необходима строгая оценка результатов, поскольку неточная классификация CIE напрямую повлияет на обучение и оценку модели. Подозрения на CIE следует оценивать, исходя из временной связи между введением контрастного вещества и появлением симптомов, неврологических проявлений, данных послеоперационной визуализации, а также путем исключения альтернативных диагнозов. Во-вторых, важны точное извлечение и проверка общего объема введенного контраста и eGFR, так как эти две переменные определяют расчет CGR. В-третьих, CGR должен рассчитываться по одному и тому же правилу для всех пациентов после подтверждения как общего объема контраста, так и eGFR. В-четвертых, отбор признаков, оценка параметров импутации, настройка гиперпараметров и обучение модели должны проводиться исключительно внутри обучающей когорты во избежание утечки данных. Наконец, поскольку CIE встречается редко и количество событий ограничено, интерпретировать эффективность модели следует с осторожностью и провести внешнюю валидацию перед клиническим внедрением³³.

При применении данного рабочего процесса в других условиях также следует рассмотреть несколько модификаций метода и стратегий устранения неполадок. Если доля пропущенных данных высока, исследователям следует сначала определить, носят ли пропуски случайный характер, и избегать импутации переменных с чрезмерным количеством пропусков. Если число случаев CIE очень мало, следует снизить сложность модели; для уменьшения переобучения могут быть предпочтительны более простые или штрафные модели. При применении рабочего процесса в другом центре перед обучением модели необходимо гармонизировать определения переменных, правила кодирования, методы расчета рСКФ, практику регистрации объема контрастного вещества и критерии анализа изображений. Если эффективность модели снижается в ходе внутренней или внешней валидации, следует изучить такие потенциальные причины, как дисбаланс классов, утечка данных, несогласованность предварительной обработки, нестабильный отбор признаков и различия в структуре совокупности пациентов. В случаях с неопределенным диагнозом CIE перед разработкой модели рекомендуется проведение экспертной оценки несколькими опытными клиницистами и тщательное исключение альтернативных диагнозов.

Данное исследование имеет следующие ограничения: во-первых, в работе использован одноцентровой ретроспективный дизайн с ограниченным количеством случаев CIE. Среди 161 включенного пациента было зарегистрировано всего 12 случаев CIE, а внутренняя тестовая когорта включала лишь 33 пациента с очень малым числом случаев CIE. Следовательно, такие показатели эффективности, как AUC, чувствительность и специфичность, могут быть нестабильными и крайне чувствительными к классификации всего одного или двух случаев. В будущем потребуется внешняя валидация с помощью многоцентровых проспективных исследований с большой выборкой для дальнейшего подтверждения надежности модели. Во-вторых, модель, разработанная в данном исследовании, основана преимущественно на рутинных клинических переменных, собранных до и во время операции. В дальнейшем мы могли бы интегрировать кинетические параметры контрастного вещества во время операции, признаки ранней послеоперационной визуализации и специфические сывороточные биомаркеры для создания более динамичной и комплексной системы прогнозирования риска CIE. В-третьих, низкая частота возникновения CIE (7,5%) привела к выраженному дисбалансу классов: всего 12 случаев CIE и 149 случаев без CIE. Этот дисбаланс может снизить надежность показателей эффективности модели. Точность может завышать эффективность модели, когда в наборе данных доминирует класс без CIE, в то время как чувствительность, специфичность, прогностическая значимость положительного результата и прогностическая значимость отрицательного результата могут быть нестабильными, так как они зависят от очень малого количества событий CIE. Таким образом, предлагаемая модель в настоящее время должна рассматриваться как исследовательская структура стратификации рисков, а не как окончательный инструмент для принятия клинических решений. Дополнительная повторная перекрестная проверка или валидация на основе ресэмплинга в настоящем исследовании не проводились, поскольку количество случаев CIE было очень ограниченным, и такие анализы все равно могли дать нестабильные оценки при выраженном дисбалансе классов. Перед внедрением в клиническую практику необходимы многоцентровая внешняя валидация и проспективная оценка.

Таким образом, в данном исследовании было проведено систематическое сравнение нескольких моделей машинного обучения (ML), в результате которого модель наивного байесовского классификатора продемонстрировала наиболее сбалансированные прогностические характеристики для предсказания CIE в текущем наборе данных. Эта модель может служить предварительным инструментом для периоперационной стратификации рисков, однако ее клиническая значимость требует дальнейшего подтверждения. Кроме того, в исследовании оценивался CGR как исследовательский композитный показатель, количественно определяющий дисбаланс между «нагрузкой контрастным веществом и почечным клиренсом». CGR оказался одним из наиболее значимых предикторов в модели и может предоставить полезную информацию для индивидуализированной оценки периоперационного риска. Эти результаты могут помочь в формулировании гипотез для выявления пациентов высокого риска при проведении нейроинтервенционных процедур, однако необходимы дальнейшие исследования с использованием более крупных выборок и внешней валидации. Будущие исследования с расширенными выборками и внешней валидацией требуются для определения того, могут ли мультимодальные прогностические модели улучшить стратификацию риска CIE и способствовать более точному предотвращению и лечению данного осложнения.

Материалы

Список материалов, использованных в этой статье

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