Anevrizmal Subaraknoid Hemoraji Sonrası Gecikmiş Serebral İskeminin Klinik Öngörü Modelinin İç Validasyonu

Özet

Bu tek merkezli retrospektif çalışma, anevrizmal subaraknoid kanama sonrası gecikmiş serebral iskemi için bir lojistik regresyon modeli geliştirmiş ve dahili olarak doğrulamıştır. 680 hastada, altı erken klinik, laboratuvar ve görüntüleme değişkeni öncül öngörü değeri göstermiştir. Klinik kullanım öncesinde daha fazla harici doğrulama gereklidir.

Özet

Gecikmiş serebral iskemi (DCI), anevrizmal subaraknoid kanama (aSAH) sonrası ikincil nörolojik hasarın önemli bir nedenidir. Bu retrospektif tek merkezli çalışmada, Temmuz 2022 ile Aralık 2024 tarihleri arasında tedavi edilen 680 yetişkin aSAH hastasından alınan veriler kullanılarak DCI için öngörü modelleri geliştirilmiş ve değerlendirilmiştir. Hastalar, sonuç bazlı katmanlandırılmış 8:2'lik bir ayırım ile 544 hastadan oluşan bir eğitim kohortuna ve 136 hastadan oluşan bir iç doğrulama kohortuna ayrılmıştır. DCI, eğitim kohortundaki 175 hastada ve iç doğrulama kohortundaki 42 hastada görülmüştür. Öngörücü seçimi, eğitim kohortunda 10 katlı çapraz doğrulama ile birlikte least absolute shrinkage and selection operator regresyonu kullanılarak gerçekleştirilmiştir. Altı değişken belirlenmiştir: yaş, serebral ödem, hipoalbüminemi, modifiye Fisher derecesi, Hunt-Hess derecesi ve Dünya Nöroşirürji Federasyonu (WFNS) derecesi. Lojistik regresyon, extreme gradient boosting, light gradient boosting machine, destek vektör makinesi ve k-en yakın komşu modelleri karşılaştırılmıştır. Lojistik regresyon, iç doğrulama kohortunda alıcı işletim karakteristik eğrisi altında 0,832 (%95 güven aralığı, 0,758–0,906) bir alan göstermiştir. Bu kalibrasyon tahminleri için güven aralıkları mevcut olmasa da, kalibrasyon eğimi, kalibrasyon kesim noktası ve Brier skoru sırasıyla 0,98, 0,02 ve 0,168 olarak bulunmuştur. Bulgular, tek bir iç doğrulama kohortundaki ön performans sonuçlarını temsil etmektedir. Eksik tekrarlanabilirlik kayıtları, model kesim noktasının yokluğu, yeniden örneklemeye dayalı optimizm düzeltmesinin eksikliği ve harici doğrulamanın olmaması, şu an için hasta düzeyinde olasılık hesaplamasını ve klinik uygulamayı engellemektedir.

Giriş

aSAH sonrası DCI için çeşitli tahmin modelleri önerilmiştir, ancak bunların birçoğu küçük örneklem boyutları, eksik kalibrasyon değerlendirmeleri, model geliştirme prosedürlerinin yetersiz raporlanması ve harici doğrulama eksikliği nedeniyle sınırlı kalmıştır. Birçok çalışma temel olarak ayrıştırmaya odaklanırken; kalibrasyon, tekrarlanabilirlik ve klinik etki değerlendirmeleri daha tutarsız şekilde raporlanmıştır. Bu nedenle, model performansı şeffaf yöntemler kullanılarak değerlendirilmeli ve doğrulamanın tek bir merkezle sınırlı olduğu durumlarda dikkatle yorumlanmalıdır.

Bu çalışma, rutin olarak mevcut olan erken klinik, laboratuvar ve görüntüleme değişkenlerini kullanarak DCI için öngörü modelleri geliştirmeyi ve bunları dahili olarak değerlendirmeyi amaçlamıştır. Aynı seçilmiş öngörücü seti kullanılarak beş modelleme yaklaşımı karşılaştırılmıştır. Hedeflenen öngörü zaman noktası, ilk yatış, laboratuvar ve görüntüleme değerlendirmesinden sonrası, ancak ana DCI risk döneminden öncesidir. Modeller, araştırma tabanlı risk tahmini için geliştirilmiştir ve DCI tanısı koymak, klinik yargının yerini almak veya tedaviyi bağımsız olarak belirlemek amacıyla tasarlanmamıştır. Klinik kullanım öncesinde harici doğrulama, yeniden kalibrasyon ve klinik etki testleri gereklidir.

Gecikmiş serebral iskemi (GSİ), aseptik subaraknoid kanama (aSAK) sonrası klinik olarak en anlamlı ve potansiyel olarak önlenebilir durumlar arasında yer alan sekonder hasarlardan biridir. GSİ, genellikle iktus sonrası birkaç gün içinde, tipik olarak 3-14 gün arasında ortaya çıkan ve yeni odaksal nörolojik bozukluk, bilinç düzeyinde kötüleşme ve/veya sonraki nörogörüntülemelerde serebral enfarktüs başlangıcı ile ilişkili bir komplikasyondur. Farklı kurumlardaki tanı uygulamalarında bazı farklılıklar olsa da GSİ; her zaman yoğun bakım ünitesinde uzun süre kalış, yüksek kaynak tüketimi ve kötü nörolojik prognoz ile ilişkilendirilir. Bildirilen GSİ insidansı tipik olarak yüzde 30-40 arasındadır; bu durum, durumun yaygınlığının ve önemli prognostik etkilerinin altını çizmektedir.^1,2,3,4,5,6Özellikle, DCI tek bir yolak üzerinden ilerleyen bir süreç değildir. Odak noktası her zaman büyük damar serebral vazospazm olsa da, biriken kanıtlar erken beyin hasarı, kortikal yayılan depolarizasyon, nöroinflamasyon, mikrotromboz, endotelyal disfonksiyon, bozulmuş otoregülasyon ve mikrosirkülasyon yetmezliğinin tamamının iskemik riske katkıda bulunduğunu göstermektedir. Bu multifaktöriyel patofizyoloji, şunların açıklanmasına yardımcı olur vazospazm hedefli tedavilerin DCI ile ilişkili enfarktüsü neden tamamen önleyemeyebileceği ve yüksek riskli hastaların olağan klinik ortamda neden tespit edilmesinin zor olduğu.

aSAH sonrası DCI risk sınıflandırması öncelikli bir konudur çünkü yüksek riskli hastaların hızlıca tespit edilmesiyle, bu hastaların daha yakından izlenmesi ve önleyici veya kurtarıcı önlemlerin vakit kaybetmeden artırılması mümkün olabilir⁷. Klinik uygulamadaki izlem planları; daha sık nörolojik testlerin, transkranyal Doppler ultrasonografinin, bilgisayarlı tomografi perfüzyonu gibi gelişmiş görüntüleme tekniklerinin kullanımını, hemodinamik ve intravasküler hacim optimizasyonunu, nimodipin tedavisine sıkı uyumu ve hidrosefali, yeniden kanama, nöbetler, enfeksiyon veya metabolik dengesizlik gibi nörolojik kötüleşmelerin erken tespitini içerebilir. Buna rağmen, klinik kararlar kişiselleştirilmiş, veri odaklı DCI olasılık tahminlerinden ziyade küresel şiddet skalaları ve klinisyenlerin deneyimlerinden etkilenme eğilimindedir^8,9,10. Bunun bir nedeni, literatürün risk faktörlerinin heterojen olduğunu ve hasta faktörleri, kanama yükü, fizyolojik bozulmalar ve nörolojik derecelendirme skalaları arasındaki etkileşimin doğrusal olmayabileceği ve karmaşık olabileceği yönündeki bilgileridir. Önceki araştırmacılar; yaş, hipertansiyon, başlangıç nörolojik durumu, anevrizma özellikleri, laboratuvar indeksleri (serum sodyum ve albümin gibi), kanama yükünü gösteren görüntüleme özellikleri ile perioperatif veya tedaviyle ilgili faktörler dahil olmak üzere DCI'nın potansiyel öngörücülerini incelemişlerdir. Geleneksel regresyon teknikleri faydalı olmuştur, ancak öngörücüler birbiriyle ilişkili olduğunda, öngörücüler ile risk arasındaki ilişki doğrusal olmadığında veya değişkenler arasında etkileşimler olduğunda sınırlı kalabilirler¹¹. Eş zamanlı olarak, DCI riskini değerlendirmek için birçok araç (en yaygın olarak nomogramlar) önerilmiştir. Nomogramlar uygulanabilir ve görsel olarak çekici olsa da, çoğu küçük örneklemlere dayanmakta, az sayıda değişken içermekte ve aşırı uyum (overfit) sergileyebilmekte veya yetersiz şekilde valide edilmiş olabilmektedir. Ek olarak, tek bir merkezde geliştirilen ve test edilen modeller; hasta popülasyonu, görüntü yorumlama, tedavi ve DCI tanı eşikleri arasındaki farklılıklar nedeniyle diğer tesislere kolayca aktarılamayabilir.

Makine öğrenimi yöntemleri, katı lineer varsayımlarda bulunmaya gerek kalmadan klinik verilerin daha fazla boyutunun keşfedilmesine ve daha karmaşık eğilimlerin gözlemlenmesine olanak tanıdıkları için geleneksel klinik öngörü modellerini tamamlayabilir. ML tabanlı öngörü modelleri, son yıllarda sonuçların ve komplikasyonların öngörülmesinin yanı sıra karar desteği de dahil olmak üzere serebrovasküler hastalıklar alanında giderek daha fazla uygulama alanı bulmuştur^12,13,14. Yaygın olarak uygulanan makine öğrenimi algoritmaları arasında Extreme Gradient Boosting (XGBoost) ve Light Gradient Boosting Machine (LightGBM) gibi topluluk ağacı yöntemleri, destek vektör makineleri (SVMs) gibi çekirdek tabanlı sınıflandırıcılar ve k-en yakın komşu (KNN) gibi mesafe tabanlı sınıflandırıcılar yer alır. Modeller, prensipte, doğrusal olmayan durumları ve etkileşimleri geleneksel yaklaşımlardan daha iyi modelleme kapasitesine sahiptir¹⁵. Bununla birlikte, aşırı öğrenme (overfitting) riski, azalmış yorumlanabilirlik ve ön işleme, ince ayar, kalibrasyon, değerlendirme ve doğrulama işlemlerini yürütme gerekliliği gibi ML modelleriyle ilişkili pratik endişeler de bulunmaktadır. Çok çeşitli klinik senaryolarda, özellikle tahmin edici sayısı az ve sinyal-gürültü oranı orta düzeydeyken, iyi tanımlanmış lojistik regresyonun daha karmaşık algoritmalar kadar veya hatta onlardan daha etkili performans gösterebileceğini belirtmekte fayda vardır. Bu nedenle, performans ve klinik uygulanabilirlik ile korele olan bir model belirlemek için benzer tahmin ediciler ve değerlendirme metrikleri kullanan çeşitli algoritmaların karşılaştırmalı bir analizine ihtiyaç duyulmaktadır^16,17,18.

Gecikmiş serebral iskemi için daha önce çeşitli öngörü modelleri önerilmiştir; ancak bunların çoğu, küçük örneklem boyutları, sınırlı kalibrasyon değerlendirmesi, algoritmalar arası doğrudan karşılaştırma eksikliği ve yetersiz doğrulama gibi önemli kısıtlılıklardan muzdariptir. Ayrıca, önceki çalışmalar genellikle ayrıştırma kapasitesini vurgularken, gerçek dünyadaki uygulanabilirlik için temel teşkil eden kalibrasyon ve klinik fayda metriklerini yeterince raporlamamıştır. Mevcut çalışma, nispeten geniş bir kohortta öngörücü bir model geliştirerek, en küçük mutlak küçültme ve seçim operatörü (LASSO) regresyonu ile sistematik öngörücü seçimi uygulayarak, birleşik bir modelleme çerçevesi içinde birden fazla makine öğrenimi algoritmasını karşılaştırarak ve ayrıştırma, kalibrasyon ile karar analiz performansını kapsamlı bir şekilde değerlendirerek bu boşlukları doldurmayı amaçlamaktadır.

aSAH sonrası DCI için çeşitli öngörü modelleri önerilmiştir, ancak küçük kohortlar, sınırlı kalibrasyon değerlendirmesi, model geliştirme sürecinin eksik raporlanması ve harici veya zamansal doğrulama eksikliği dahil olmak üzere birçoğu önemli sınırlamalara sahiptir. Ayrıca, birçok çalışma yalnızca ayrım gücünü (diskriminasyon) raporlarken, kalibrasyon ve karar eğrisi analizi daha az tutarlı bir şekilde sunulmaktadır. Mevcut çalışma, harici doğrulama sorununu çözmemektedir. Bunun yerine, rutin olarak mevcut olan klinik, laboratuvar ve görüntüleme değişkenlerini kullanan tek merkezli bir geliştirme ve dahili doğrulama çalışması sunmaktadır. Amaçlanan kullanım durumu, ana DCI risk penceresinden önce, yatış ve başlangıç anevrizma tedavisi sonrası erken risk sınıflandırmasıdır. Model, klinisyenlerin daha yakın nörolojik izlem, vasküler görüntüleme takibi, fizyolojik anomalilerin düzeltilmesi ve nörokritik bakım ekibi tarafından erken değerlendirme gerektiren hastaları belirlemesine yardımcı olabilir. Modelin, harici doğrulama ve klinik etki testi yapılmadan klinik yargının yerini alması, DCI tanısı koyması veya tedaviye yön vermesi amaçlanmamıştır. Önceki çalışmalar aSAH sonrası DCI'yı öngörmek için çeşitli modeller önermiş olsa da, birçoğu küçük örneklem boyutları, kalibrasyonun eksik raporlanması, modelleme yöntemleri arasındaki sınırlı karşılaştırmalar veya harici doğrulama eksikliği nedeniyle kısıtlı kalmıştır. Mevcut çalışma, klinik olarak doğrulanmış bir karar aracı sağlama iddiasında değildir. Bunun yerine, tek merkezli bir kohorttan elde edilen rutin erken klinik, laboratuvar ve görüntüleme değişkenlerini kullanarak bir öngörü modeli geliştirmeyi ve bunu dahili olarak doğrulamayı amaçlamaktadır. Amaçlanan kullanım durumu, yatış ve başlangıç anevrizma tedavisi sonrası, ana DCI risk döneminden önce yapılan erken risk sınıflandırmasıdır. Bu bağlamda, yüksek öngörülen risk; daha yakın nörolojik değerlendirmeyi, vasküler izlemi, fizyolojik anomalilerin düzeltilmesini ve nörokritik bakım tarafından erken incelemeyi destekleyecektir. Modelin, DCI tanısı koyması veya klinisyen yargısının yerini alması amaçlanmamıştır.

Protokol

Çalışma, Çin Şaanhsi eyaleti, Yülin İlkinci Hastanesi Kurumsal Etik Komitesi tarafından onaylandı. Bu çalışmanın, rutin olarak toplanan hastane verilerinin retrospektif bir analizi olması ve tüm verilerin analizden önce anonim hale getirilmiş olması nedeniyle, yazılı bilgilendirilmiş onam gerekliliği kaldırıldı. Çalışma, kurumsal veri koruma gerekliliklerine ve Helsinki Bildirgesi ilkelerine uygun olarak yürütüldü.

Veri ve Yöntemler
Çalışma Popülasyonu ve Tasarımı

Bu, Çin'in Şaanhsi eyaletindeki Yulin Birinci Hastanesi'nde yürütülen retrospektif tek merkezli bir kohort çalışmasıydı. Temmuz 2022 ve Aralık 2024 tarihleri arasında aSAH ile hastaneye yatırılan hastaların hastane kayıtları tarandı. Uygun hastalar, kranial ve intrakraniyal damar görüntülemesiyle doğrulanmış aSAH tanısı konmuş, 18 yaş ve üzeri yetişkinlerden oluşmaktaydı. Hastaların, semptom başlangıcından sonraki ilk 72 saat içinde hastaneye yatırılmış ve indeks hastanede kalış süresi boyunca anevrizma tedavisi görmüş olmaları gerekiyordu.

Hastalar, travmatik subaraknoid kanama, anevrizmal olmayan subaraknoid kanama, şiddetli önceden var hematolojik hastalık, sonuç değerlendirmesini etkileyen diğer büyük intrakraniyal hastalıklar, DCI değerlendirmesi için yetersiz kayıtlar veya yeterli bir DCI değerlendirme süresi öncesinde hastanede yaşamını yitirmiş olmaları durumunda çalışmaya dahil edilmedi. Erken hastane içi ölümlerin dışlanması, en ciddi olguların analizden çıkarılması nedeniyle sağ kalım yanlılığına yol açabilir. Bu nedenle, bulguların DCI değerlendirmesi için yeterli süre hayatta kalan hastalara uygulanabileceği şeklinde yorumlanması gerekir.

Veri Toplama 

Klinik, laboratuvar, görüntüleme ve tedaviyle ilgili değişkenler, önceden tanımlanmış bir veri çıkarma formu kullanılarak elektronik hasta kayıtlarından çıkarıldı. Çıkarılan değişkenler arasında demografik faktörler, tıbbi geçmişi, anevrizma özellikleri, erken nörolojik durum, erken görüntüleme bulguları, laboratuvar sonuçları, tedavi yaklaşımı ve hastane komplikasyonları yer alıyordu. Hedeflenen tahmin zaman noktası, ilk yatışın ve periyoperatif değerlendirmenin tamamlanmasından sonra ancak ana DCI risk penceresinden önceydi.

Yaş, cinsiyet, vücut kitle indeksi, sigara kullanımı, alkol kullanımı, hipertansiyon, diyabet, anevrizma boyutu, anevrizma lokalizasyonu, değiştirilmiş Fisher evresi, Hunt-Hess evresi, Nörolojik Cerrahlar Dünya Federasyonu evresi, intraventriküler kanama ve tekrar kanama, hastanın kabul kayıtlarından ve ilk görüntülemelerinden alındı. Hemoglobin, serum albümini ve serum sodyumu dahil laboratuvar değişkenleri, tahmin zaman noktasından önceki en erken kan testinden elde edildi. Serebral ödem, DCI tanısından önceki temel veya hemen tedavi sonrası görüntüleme kullanılarak değerlendirildi. Bilgi sızıntısını azaltmak için DCI başlangıcından sonra yalnızca kaydedilen değişkenler model geliştirme amacıyla kullanılmadı.

Anemi, kadın hastalarda hemoglobin <110 g/L ve erkek hastalarda <120 g/L olarak tanımlandı. Hipoalbüminemi, serum albümini <35 g/L olarak tanımlandı. Hiponatremi, serum sodyumu <130 mmol/L olarak tanımlandı.

Hastalar, kurumsal aSAH bakım yol harici doğrultusunda yönetildi. Standart yönetim, erken anevrizmanın onarılması, nörolojik gözlem, kan basıncı kontrolü, sıvı ve elektrolit yönetimi ile hidrosefali, tekrar kanama, nöbet, enfeksiyon, vazospazm ve DCI dahil komplikasyonların izlenmesini kapsıyordu. Nimodipin, kontrendike olmadığı sürece kullanıldı. Vazospazm izlemi, klinik olarak uygun olduğunda nörolojik muayene, damar görüntüleme ve transkraniyal Doppler ultrasonografi ile gerçekleştirildi. Gerektiğinde hidrosefali, beyin omurilik sıvısı yönlendirilmesi ile yönetildi. Hemodinamik optimizasyon ve kurtarma tedavisi, tedavi ekibinin değerlendirmesine göre uygulandı. Tedavi yoğunluğu ve kurtarma tedavisi ayrıntıları geriye dönük veri setinde tam olarak kaydedilmediğinden, bu faktörler modele tam olarak dahil edilemedi ve bu durum bir sınırlılık olarak değerlendirildi.

DCI Tanısı 

DCI, yeni odaklanmalı nörolojik bozukluk, bilinç düzeyinde azalma veya DCI risk penceresi sırasında takip bilgisayarlı tomografisinde ya da manyetik rezonans görüntülemede görülen yeni serebral infarktüs olarak tanımlandı ve başka bir nedenle açıklanamadı. DCI risk penceresi, hemorajinin başlangıcından sonraki 3–14. günler olarak tanımlandı. Bir olayın DCI olarak sınıflandırılmasından önce, tekrar kanama, hidrosefali, nöbet, enfeksiyon, metabolik bozukluk, sedatif etki ve prosedüre bağlı infarktüs gibi alternatif açıklamalar incelendi.

Sonuç değerlendirmesi, aSAH yönetiminde deneyime sahip bir nöroşirürjen ve bir nörolog/nöromerkezi bakım uzmanından oluşan iki klinik uzman tarafından yapıldı. Değerlendiriciler, klinik notları, nörolojik muayeneleri, görüntüleme raporlarını ve takip görüntülemelerini inceledi. Sonuç değerlendirmesi sırasında nihai model çıktısından habersiz tutuldular. Anlaşmazlıklar, ilgili görüntüleme ve klinik zaman çizelgesinin gözden geçirilmesiyle konsensüs tartışmaları yoluyla çözüldü. Resmi bir aralarında anlaşma ölçümü yapılmadı ve bu sınırlılık, DCI sınıflandırmasının klinik yargıyı içerebileceği için eklendi.

Örneklem Büyüklüğünün Hesaplanması 

Örneklem büyüklüğü, her değişken başına düşen 10 olay (EPV) kuralına göre tahmin edildi¹¹. Yaklaşık %35'lik beklenen DCI insidansı ile 20 aday öngörücü değişken için gerekli minimum örneklem büyüklüğü 20 × 10 / 0,35 ≈ 572 hasta olarak hesaplandı. Son kohortumuzdaki 680 hasta bu gerekliliği aşıyordu. Olay-başına-değişken (EPV) kuralı genel bir kılavuz olarak uygulanmış olsa da, özellikle makine öğrenimi algoritmaları gibi modern tahmine dayalı modellemeler daha esnek örneklem büyüklüğü değerlendirmeleri gerektirebilir. Model kararlılığını sağlamak, aşırı uydurmanın riskini en aza indirmek ve model performans ölçümlerinin güvenilir bir şekilde tahmin edilmesini sağlamak açısından nihai kohort büyüklüğünün yeterli olduğu düşünüldü.

Model geliştirme ve doğrulama 

Hastalar, sonuçlara göre stratifiye edilmiş 8:2 bölünme kullanılarak 544 hastadan oluşan bir eğitim grubu ve 136 hastadan oluşan bir ayrılmış içsel doğrulama grubu olmak üzere iki gruba ayrıldı. İki grupta da DCI olaylarının benzer oranda korunmasını sağlamak için sonuç stratifikasyonu kullanıldı. Eğitim grubunda 544 hastanın 175'inde, içsel doğrulama grubunda ise 136 hastanın 42'sinde DCI gelişti. 8:2 ayrılmış tasarım, önceden belirlenmiş model geliştirme stratejisi olması ve ön içsel performans değerlendirmesi için ayrı bir kohort sağlaması nedeniyle korundu.

Tahminci seçimi, 10 katlı çapraz doğrulama ile en küçük mutlak daraltma ve seçim operatörü regresyonu kullanılarak yalnızca eğitim grubunda yapıldı. Seçilen ceza parametresi λ = 0.031 idi. Altı tahminci korundu: yaş, serebral ödem, hipoalbüminemi, modifiye Fisher evresi, Hunt-Hess evresi ve Nörolojik Cerrahlar Dünya Federasyonu evresi.

Aynı seçilmiş öngörücü kümesi kullanılarak lojistik regresyon, aşırı gradyan artırma, hafif gradyan artırma makinesi, destek vektör makinesi ve k-en yakın komşu modelleri geliştirildi. Tüm ön işleme, öngörücü seçimi ve model geliştirme işlemleri, eğitim grubuyla sınırlı tutuldu. İçsel doğrulama grubu, öngörücü seçimi veya model ayarlaması sırasında kullanılmadı ve yalnızca model geliştirme sonrasında değerlendirildi.

Orijinal kohort ataması için kullanılan sayısal rastgelelik tohumu arşivlenmiş analiz kayıtlarında saklanmadı ve geriye dönük olarak doğrulanamadı. Bootstrap iyimserlik düzeltmesi ve tekrarlanan k-katlı iç doğrulama da mevcut değildi. Bu nedenle, bu analiz, iyimserlik düzeltmeli veya tekrarlanan çapraz doğrulamalı bir performans değerlendirmesi yerine, tek bir bekletme iç doğrulaması olarak tanımlanmaktadır.

Yapay zeka öğrenmesi tekrarlanabilirliği

LASSO tahminci seçimi, eğitim grubu içinde 10 katlı çapraz doğrulama kullandı. Sürekli tahminciler, modelleme algoritması tarafından gerektirildiğinde standartlaştırıldı ve kategorik tahminciler önceden tanımlanmış ikili klinik kategoriler kullanılarak temsil edildi. Doğrulama grubu, ayarlama veya model seçimi için kullanılmadı.

Arşivlenmiş analiz malzemeleri, XGBoost, LightGBM, SVM ve KNN için nihai ayar ızgaralarını, seçilen hiperparametreleri, tam paket sürümlerini, orijinal rastgele tohumu veya doğrulanmış bir sınıf dengesizliği prosedürünü korumadı. Bu nedenle bu ayarlar yeniden oluşturulmadı veya tahmin edilmedi. Makine öğrenimi karşılaştırmaları, tamamen tekrarlanabilir model geliştirme deneyleri değil, keşif amaçlı algoritma karşılaştırmaları olarak yorumlanmalıdır. Tekrarlanabilirlik bilgileri, mevcut ve mevcut olmayanlar, Ek Tablo 1'de özetlenmelidir.

Yanlılık Kontrolü & Duyarlılık Analizi

Seçim yanlılığını azaltmak için ardışık olarak uygun hastalar dahil edildi. Bilgi yanlılığını azaltmak amacıyla standartlaştırılmış değişken tanımları ve yapılandırılmış veri çıkarımı formu kullanıldı. Bilgi sızıntısını azaltmak için öngörülmüş DCI tahmini zaman noktasından önce mevcut olan bilgilere kadar tahminleyiciler sınırlandırıldı. Tahminleyici seçimi, ön işleme ve model geliştirme yalnızca eğitim grubunda yapıldı.

Değiştirilmiş Fisher evresi, Hunt-Hess evresi ve WFNS evresi, hemorajik yük ve nörolojik şiddetin ilişkili yönlerini temsil eder. Üç değişken de LASSO seçimi sonrasında korunmuş olsa da, sayısal varyans şişirme faktörü değerleri ve örtüşen şiddet ölçeklerinin dışlandığı bir duyarlılık modelinin sonuçları arşivlenmiş analiz çıktısına dahil edilmemiştir. Bu analizler, hasta düzeyindeki korelasyonlar ve uyumlu model çıktılarının gerekli olması nedeniyle toplu tablolardan yeniden oluşturulamamıştır. Bu nedenle, bu şiddet ölçümlerinin bireysel katsayıları bağımsız veya nedensel etkiler olarak yorumlanmamıştır. Bunlar yalnızca eğitim grubunda seçilen tahmin modelinin bileşenleri olarak korunmuştur.

Model Yorumlanabilirliği

Klinik uygulanabilirlik, önemli bir unsur olarak model yorumlanabilirliğini gerektirdiğine inanılıyordu. En etkili modelde, gecikmiş serebral iskemiye dair mevcut patofizyolojik bilgilerle klinik olarak makul olma ve uyum açısından tahmin edicilerin etkileri değerlendirildi. Bu yöntem, model davranışının net bir şekilde değerlendirilmesini sağladı ve klinik uygulamaya aktarım potansiyelini artırdı.

Eksik Veriler

Veri hazırlama süreci sırasında değişken düzeyinde eksiklik değerlendirildi. Ancak her bir aday değişken için orijinal, doldurulmadan önceki eksik veri sayıları ve yüzdeleri arşivlenmiş analiz kayıtlarında saklanmadı ve toplu tablolardan kesin bir şekilde yeniden yapılandırılamadı. Sonuç olarak, tam veri varsayımı yapılmadı ve doğrulanmamış eksiklik yüzdeleri bildirilmedi.

Doğrulanmış bir ek eksik veri tablosu, orijinal anonim hasta düzeyindeki veri kümesinden doğrudan oluşturulmalıdır. Ek Tablo 2, her aday değişken için veri işleme öncesinde eksik gözlemlerin sayısını ve yüzdesini, eksikliği gidermek için kullanılan yöntemi ve nihai analize dahil edilen gözlem sayısını rapor etmelidir. Orijinal değişkene özgü eksiklik deseninin yeniden elde edilememesi, bu raporun bir sınırlılığı olarak değerlendirilmiştir.

İstatistiksel Analiz 

Tahminleyici seçimi, 10 katlı çapraz doğrulama ile LASSO regresyonu kullanılarak eğitim grubunda yapıldı. Ayrımcılık, %95 güven aralığı ile alıcı işletim karakteristiği eğrisi altındaki alan kullanılarak değerlendirildi. Kalibrasyon, kalibrasyon grafikleri ve kalibrasyon eğimi, kalibrasyon kesişimi ve Brier skoru noktasal tahminleri kullanılarak tanımlandı. Kalibrasyon ölçüleri için bootstrap güven aralıkları mevcut değildi.

Eşik değerine dayalı sınıflandırma ölçümleri, mevcut iç doğrulama karışıklık matrislerinden hesaplandı. Arşivlenmiş karışıklık matrislerini oluşturmak için kullanılan kesin sayısal olasılık eşiği kaydedilmemiş ve doğrulanamamıştır. Bu nedenle bu ölçümler tanımlayıcı olarak yorumlandı ve model seçimi için birincil temel olarak kullanılmadı. Karar-eğrisi analizi de kesin önceden belirlenmiş eşik aralığı ve hasta düzeyinde net fayda çıktısı kaydedilmediği için keşfedici olarak değerlendirildi. İstatistiksel olarak anlamlı olmak için iki taraflı P değeri 0,05'in altında alındı.

Sonuçlar

Eğitim ve iç doğrulama kohortları arasındaki başlangıç özelliklerinin karşılaştırılması

Toplam 680 aSAH'lı hasta çalışmaya dahil edildi. Eğitim kohortu 544 hastadan oluşmaktaydı ve bunlardan 175'inde DCI gelişti; iç doğrulama kohortu ise 136 hastadan oluşmaktaydı ve bunlardan 42'sinde DCI gelişti. DCI olay oranı eğitim kohortunda %32,2, iç doğrulama kohortunda ise %30,9 idi. Temel özellikler Tablo 1'de sunulmuştur. Arşivlenmiş bazı tablo girişleri payda tutars...

Tartışma

Bu çalışma, erken klinik, laboratuvar ve görüntüleme değişkenlerini kullanarak aSAH sonrası DCI için bir öngörü modeli geliştirmiş ve dahili olarak doğrulamıştır. Öngörücü seçimi sonrası altı değişken belirlenmiştir: yaş, serebral ödem, hipoalbüminemi, modifiye Fisher derecesi, Hunt-Hess derecesi ve Dünya Nöroşirürji Federasyonu derecesi. Değerlendirilen modeller arasında lojistik regresyon, stabil bir dahili ayrım ve kabul edilebilir bir kalibrasyon göstermiştir. Doğrulama kohortu, eğitim kohortu ile aynı merkezden ve a...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Elektronik tıbbi kayıt sistemi	Yulin First Hospital	Uygulanamaz	Retrospektif klinik verilerin kaynağı; kesin ticari platform arşiv kayıtlarında tutulmamıştır.
IBM SPSS Statistics	IBM Corporation	Sürüm 25.0	Betimsel ve çıkarımsal istatistiksel analiz.
K-en yakın komşu uygulaması	Paket/kaynak tutulmadı	Mevcut değil	Keşifçi makine öğrenimi modeli; kesin paket ve sürüm orijinal kod ortamından geri getirilmelidir.
LightGBM	Microsoft / açık kaynaklı proje	Sürüm mevcut değil	Keşifçi gradyan artırma modeli; kesin paket sürümü ve hiperparametreler tutulmamıştır.
R istatistik yazılımı	R Foundation for Statistical Computing	Sürüm 4.3.2	İstatistiksel modelleme ve dahili performans değerlendirmesi.
Destek vektör makinesi uygulaması	Paket/kaynak tutulmadı	Mevcut değil	Keşifçi makine öğrenimi modeli; kesin paket, çekirdek ayarları ve sürüm tutulmamıştır.
XGBoost	Açık kaynaklı proje	Sürüm mevcut değil	Keşifçi gradyan artırma modeli; kesin paket sürümü ve hiperparametreler tutulmamıştır.