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.
Araştırma makalesi
Anevrizmal Subaraknoid Hemoraji Sonrası Gecikmiş Serebral İskeminin Klinik Öngörü Modelinin İç Validasyonu
Bu makalede
Özet
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 eğilimindedir8,9,10. 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 bulmuştur12,13,14. 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 duyulmaktadır16,17,18.
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 tutarsızlıkları içerdiğinden, tablo nihai gönderimden önce orijinal hasta düzeyindeki veri seti ile doğrulanmalıdır.
| Değişken | Eğitim kohortu (n = 544) | İç doğrulama kohortu (n = 136) | t/χ²/Z | P değeri | SMD | Düzeltme notu |
| Yaş, yıl | 62.88 ± 9.41 | 63.25 ± 9.52 | 0.409 | 0.693 | 0.039 | |
| Cinsiyet | 0.429 | 0.512 | 0.063 | |||
| Erkek | 180 (33.09) | 41 (30.15) | ||||
| Kadın | 364 (66.91) | 95 (69.85) | ||||
| VKİ, kg/m² | 23.46 ± 3.56 | 23.61 ± 3.65 | 0.437 | 0.662 | 0.042 | |
| Sigara öyküsü | 0.118 | 0.731 | 0.033 | |||
| Evet | 101 (18.57) | 27 (19.85) | ||||
| Hayır | 443 (81.43) | 109 (80.15) | ||||
| Alkol kullanımı | 0.417 | 0.518 | 0.062 | |||
| Evet | 118 (21.69) | 33 (24.26) | ||||
| Hayır | 426 (78.31) | 103 (75.74) | ||||
| Hipertansiyon öyküsü | 0.348 | 0.555 | 0.057 | |||
| Evet | 329 (60.48) | 86 (63.24) | ||||
| Hayır | 215 (39.52) | 50 (36.76) | ||||
| Diyabet öyküsü | 0.116 | 0.733 | 0.033 | Doğrulama 'Hayır' sayısı toplam 136 olacak şekilde düzeltildi. | ||
| Evet | 70 (12.87) | 19 (13.97) | ||||
| Hayır | 474 (87.13) | 117 (86.03) | ||||
| Anevrizma çapı, mm | 0.213 | 0.645 | 0.044 | |||
| >10 | 288 (52.94) | 75 (55.15) | ||||
| ≤10 | 256 (47.06) | 61 (44.85) | ||||
| Anevrizma lokasyonu | 0.980 | 0.322 | 0.095 | |||
| Anterior dolaşım | 448 (82.35) | 107 (78.68) | ||||
| Posterior dolaşım | 96 (17.65) | 29 (21.32) | ||||
| Serebral ödem | 0.612 | 0.434 | 0.075 | |||
| Evet | 125 (22.98) | 27 (19.85) | ||||
| Hayır | 419 (77.02) | 109 (80.15) | ||||
| Düşük hemoglobin | 0.684 | 0.408 | 0.079 | Doğrulama 'Hayır' sayısı toplam 136 olacak şekilde düzeltildi. Eğitim sayısı Tablo 2 ile çelişmektedir; final veri setinden doğrulayın. | ||
| Evet | 147 (27.02) | 32 (23.53) | ||||
| Hayır | 397 (72.98) | 104 (76.47) | ||||
| Hipoalbuminemi | 0.367 | 0.545 | 0.058 | |||
| Evet | 115 (21.14) | 32 (23.53) | ||||
| Hayır | 429 (78.86) | 104 (76.47) | ||||
| Hiponatremi | 0.186 | 0.666 | 0.041 | |||
| Evet | 331 (60.85) | 80 (58.82) | ||||
| Hayır | 213 (39.15) | 56 (41.18) | ||||
| Modifiye Fisher evresi | 0.249 | 0.618 | 0.048 | |||
| ≥III | 259 (47.61) | 68 (50.00) | ||||
| I–II | 285 (52.39) | 68 (50.00) | ||||
| Hunt-Hess evresi | 0.178 | 0.673 | 0.040 | Doğrulama ≥III sayısı toplam 136 olacak şekilde 53'ten 63'e düzeltildi; final veri setine göre doğrulayın. | ||
| ≥III | 263 (48.35) | 63 (46.32) | ||||
| I–II | 281 (51.65) | 73 (53.68) | ||||
| WFNS evresi | 0.249 | 0.618 | 0.048 | |||
| ≥III | 277 (50.92) | 66 (48.53) | ||||
| I–II | 267 (49.08) | 70 (51.47) | ||||
| Cerrahi yaklaşım | 0.717 | 0.397 | 0.081 | |||
| Endovasküler tedavi | 449 (82.54) | 108 (79.41) | ||||
| Klipleme | 95 (17.46) | 28 (20.59) | ||||
| Cerrahi süre, h | 2.78 ± 0.81 | 2.81 ± 0.79 | 0.388 | 0.698 | 0.037 | |
| İntraventriküler kanama | 0.383 | 0.536 | 0.059 | |||
| Evet | 134 (24.63) | 37 (27.21) | ||||
| Hayır | 410 (75.37) | 99 (72.79) | ||||
| Tekrarlayan kanama | 0.784 | 0.376 | 0.085 | |||
| Evet | 98 (18.01) | 29 (21.32) | ||||
| Hayır | 446 (81.99) | 107 (78.68) |
Tablo 1: Eğitim ve dahili doğrulama kohortlarının temel özellikleri. Sürekli değişkenler ortalama ± standart sapma ve kategorik değişkenler n (%) olarak sunulmuştur. P değerleri ve standardize edilmiş ortalama farklar iki kohortu karşılaştırmaktadır. Kısaltmalar: BMI, vücut kitle indeksi; SMD, standardize edilmiş ortalama fark. Bu Tabloyu indirmek için lütfen buraya tıklayın.
Eğitim setindeki non-DCI ve DCI grupları arasındaki bazal özelliklerin karşılaştırılması
Eğitim veri setinde, 175 hastada (%32,17) gecikmiş serebral iskemi (DCI) görülürken, 369 hastada (%67,83) DCI gelişmemiştir. Dahili doğrulama kohortundaki DCI insidansı benzer düzeyde olup, sonuçların stabil bir prevalansa sahip olduğunu göstermiştir. DCI gelişmeyen ve DCI gelişen gruplar arasındaki karşılaştırmalı analizler, istatistiksel olarak anlamlı birçok fark ortaya çıkarmıştır (Tablo 2). DCI geliştiren hastaların anlamlı derecede daha yaşlı olduğu (P = 0,026) görülmüştür; bu durum, sekonder iskemik hasara karşı yaşla ilişkili bir yatkınlığa işaret etmektedir. Erken beyin hasarının radyolojik kanıtları, özellikle beyin ödemi, DCI hastaları arasında belirgin şekilde daha yaygındı (P = 0,001). Hipoalbüminemi (P = 0,007), hiponatremi (P = 0,048) ve düşük hemoglobin seviyeleri (P < 0,001) dahil olmak üzere laboratuvar anormallikleri, DCI oluşumu ile anlamlı şekilde ilişkili bulunmuştur. Nörolojik şiddet belirteçleri en güçlü ilişkileri göstermiştir. Yükselmiş modifiye Fisher evresi (≥III), DCI hastaları arasında anlamlı derecede daha sıktı (P < 0,001); bu da kanama yükü ile gecikmiş iskemik komplikasyonlar arasında güçlü bir ilişki olduğunu göstermektedir. Benzer şekilde, daha yüksek Hunt–Hess evresi ve Dünya Nöroşirürji Federasyonu (WFNS) evresi, DCI gelişimi ile güçlü bir ilişki göstermiştir (her ikisi için de P < 0,001). Buna karşın, demografik değişkenler, yaşam tarzı faktörleri, anevrizma morfolojisi, cerrahi yaklaşım ve cerrahi süre istatistiksel olarak anlamlı bir fark göstermemiştir.
| Değişken | Non-DCI grubu (n = 369) | DCI grubu (n = 175) | t/χ²/Z | P değeri | Düzeltme notu |
| Yaş, yıl | 62.25 ± 9.54 | 64.22 ± 9.75 | 2.234 | 0.026 | |
| Cinsiyet | 0.638 | 0.424 | |||
| Erkek | 118 (31.98) | 62 (35.43) | |||
| Kadın | 251 (68.02) | 113 (64.57) | |||
| BMI, kg/m² | 23.43 ± 3.56 | 23.52 ± 3.72 | 0.271 | 0.786 | |
| Sigara öyküsü | 0.351 | 0.554 | |||
| Evet | 66 (17.89) | 35 (20.00) | |||
| Hayır | 303 (82.11) | 140 (80.00) | |||
| Alkol kullanımı | 0.046 | 0.837 | |||
| Evet | 81 (21.95) | 37 (21.14) | |||
| Hayır | 288 (78.05) | 138 (78.86) | |||
| Hipertansiyon öyküsü | 2.960 | 0.085 | |||
| Evet | 214 (57.99) | 115 (65.71) | |||
| Hayır | 155 (42.01) | 60 (34.29) | |||
| Diyabet öyküsü | 0.463 | 0.496 | |||
| Evet | 45 (12.20) | 25 (14.29) | |||
| Hayır | 324 (87.80) | 150 (85.71) | |||
| Anevrizma çapı, mm | 0.380 | 0.538 | |||
| >10 | 192 (52.03) | 96 (54.86) | |||
| ≤10 | 177 (47.97) | 79 (45.14) | |||
| Anevrizma lokasyonu | 3.602 | 0.058 | |||
| Anterior dolaşım | 296 (80.22) | 152 (86.86) | |||
| Posterior dolaşım | 73 (19.78) | 23 (13.14) | |||
| Serebral ödem | 10.410 | 0.001 | |||
| Evet | 70 (18.97) | 55 (31.43) | |||
| Hayır | 299 (81.03) | 120 (68.57) | |||
| Düşük hemoglobin | 23.965 | <0.001 | Toplam Tablo 1'den farklıdır; nihai veri setiyle doğrulayın. | ||
| Evet | 122 (33.06) | 82 (46.86) | |||
| Hayır | 247 (66.94) | 93 (53.14) | |||
| Hipoalbüminemi | 7.283 | 0.007 | |||
| Evet | 66 (17.89) | 49 (28.00) | |||
| Hayır | 303 (82.11) | 126 (72.00) | |||
| Hiponatremi | 3.914 | 0.048 | |||
| Evet | 214 (57.99) | 117 (66.86) | |||
| Hayır | 155 (42.01) | 58 (33.14) | |||
| Modifiye Fisher evresi | 58.679 | <0.001 | |||
| ≥III | 134 (36.31) | 125 (71.43) | |||
| I–II | 235 (63.69) | 50 (28.57) | |||
| Hunt-Hess evresi | 39.909 | <0.001 | |||
| ≥III | 144 (39.02) | 119 (68.00) | |||
| I–II | 225 (60.98) | 56 (32.00) | |||
| WFNS evresi | 28.137 | <0.001 | |||
| ≥III | 159 (43.09) | 118 (67.43) | |||
| I–II | 210 (56.91) | 57 (32.57) | |||
| Cerrahi yaklaşım | 0.691 | 0.406 | |||
| Endovasküler tedavi | 308 (83.47) | 141 (80.57) | |||
| Klipping | 61 (16.53) | 34 (19.43) | |||
| Cerrahi süre, h | 2.74 ± 0.82 | 2.85 ± 0.76 | 1.496 | 0.135 | |
| İntraventriküler kanama | 0.163 | 0.687 | |||
| Evet | 89 (24.12) | 45 (25.71) | |||
| Hayır | 280 (75.88) | 130 (74.29) | |||
| Tekrar kanama | 1.168 | 0.280 | |||
| Evet | 71 (19.24) | 27 (15.43) | |||
| Hayır | 298 (80.76) | 148 (84.57) |
Tablo 2: Eğitim kohortunda gecikmiş serebral iskemi olan ve olmayan hastaların başlangıç özellikleri.Sürekli değişkenler ortalama ± standart sapma, kategorik değişkenler ise n (%) olarak sunulmuştur. P değerleri, DCI olan ve olmayan hastaları karşılaştırır. Kısaltmalar: DCI, gecikmiş serebral iskemi; WFNS, Dünya Nöroşirürji Federasyonu. Bu Tabloyu indirmek için lütfen buraya tıklayınız.
İç doğrulama kohortundaki sonuç dağılımı
İç doğrulama kohortunda (n = 136), 42 hastada (%30,9) gecikmiş serebral iskemi (DCI) gelişirken, 94 hastada (%69,1) DCI gelişmemiştir. Sonuç prevalansı, eğitim veri setinde gözlemlenenle karşılaştırılabilir düzeyde olup, veri setleri arasındaki olay dağılımının stabilitesini desteklemektedir.
Öznitelik Seçimi
Öngörücü seçimi, eğitim kohortunda 10 katlı çapraz doğrulama ile LASSO regresyonu kullanılarak gerçekleştirilmiştir. Seçilen ceza parametresi λ = 0.031 olarak belirlenmiştir. Altı öngörücü sıfır olmayan katsayılar korumuştur: yaş, serebral ödem, hipoalbüminemi, modifiye Fisher derecesi, Hunt-Hess derecesi ve WFNS derecesi. Seçilen tüm öngörücüler, hedeflenen tahmin zaman noktasından önce mevcuttu. Şekil 1A,B öngörücü seçimi için kullanılan katsayı yörüngelerini ve çapraz doğrulama eğrisini sunmaktadır.
Şekil 1: Anevrizmal subaraknoid kanama sonrası gecikmiş serebral iskemi için LASSO tabanlı öngörücü seçimi. (A) log(λ) değerlerine göre aday öngörücülerin katsayı yörüngeleri. Her eğri bir aday öngörücüyü temsil eder ve üst eksendeki sayılar, her ceza değerinde korunan sıfır olmayan katsayıların sayısını belirtir. (B) Binom sapması için on katlı çapraz doğrulama eğrisi. Noktalar ortalama çapraz doğrulanmış sapmayı, hata çubukları standart hataları ve dikey noktalı çizgiler minimum hata ile bir standart hata ceza değerlerini gösterir. Nihai olarak seçilen ceza parametresi λ = 0.031 olmuştur. LASSO, en küçük mutlak daraltma ve seçim operatörü; DCI, gecikmiş serebral iskemi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Model geliştirme ve değerlendirme
Beş modelin tamamı, seçilen aynı altı öngördürücü kullanılarak geliştirilmiştir. İç doğrulama kohortunda, lojistik regresyon 0.832 (%95 GA, 0.758–0.906) AUC, SVM 0.811 (%95 GA, 0.729–0.893) AUC, XGBoost 0.777 (%95 GA, 0.690–0.864) AUC, LightGBM 0.755 (%95 GA, 0.672–0.838) AUC ve KNN ise 0.708 (%95 GA, 0.613–0.803) AUC göstermiştir (Tablo 3).
| Veri Seti | Model | AUC | %95 GA | Doğruluk | Duyarlılık | Özgüllük | F1 skoru | Düzeltme notu |
| Eğitim | XGBoost | 0.916 | 0.888–0.944 | 0.848 | 0.853 | 0.847 | 0.682 | |
| Eğitim | Lojistik regresyon | 0.833 | 0.794–0.872 | 0.816 | 0.71 | 0.81 | 0.594 | |
| Eğitim | LightGBM | 0.751 | 0.707–0.794 | 0.69 | 0.781 | 0.669 | 0.489 | |
| Eğitim | SVM | 0.807 | 0.762–0.852 | 0.809 | 0.704 | 0.833 | 0.583 | |
| Eğitim | KNN | 0.915 | 0.896–0.935 | 0.754 | 0.878 | 0.696 | 0.607 | KNN AUC değeri, tablo değeriyle eşleşecek şekilde Şekil 2 açıklamasından düzeltilmiştir. |
| Doğrulama | XGBoost | 0.777 | 0.690–0.864 | 0.755 | 0.608 | 0.794 | 0.507 | |
| Doğrulama | Lojistik regresyon | 0.832 | 0.758–0.906 | 0.809 | 0.714 | 0.851 | 0.698 | Sınıflandırma metrikleri Tablo 6 hata matrisinden yeniden hesaplanmıştır. |
| Doğrulama | LightGBM | 0.755 | 0.672–0.838 | 0.696 | 0.799 | 0.669 | 0.522 | |
| Doğrulama | SVM | 0.811 | 0.729–0.893 | 0.779 | 0.69 | 0.819 | 0.659 | Sınıflandırma metrikleri Tablo 6 hata matrisinden yeniden hesaplanmıştır. |
| Doğrulama | KNN | 0.708 | 0.613–0.803 | 0.647 | 0.715 | 0.629 | 0.456 |
Tablo 3: Eğitim ve dahili doğrulama kohortlarında tahmin modellerinin ayırt etme ve sınıflandırma performansı. AUC değerleri %95 güven aralıkları ile raporlanmıştır. Doğruluk, duyarlılık, özgüllük ve F1 skoru önceden belirlenmiş sınıflandırma eşik değerinde hesaplanmıştır. Kısaltmalar: AUC, alıcı işletim karakteristik eğrisi altında kalan alan; CI, güven aralığı; KNN, k-en yakın komşu; LightGBM, hafif gradyan artırma makinesi; SVM, destek vektör makinesi; XGBoost, ekstrem gradyan artırma. Arşivlenmiş analizde kullanılan kesin olasılık eşiği doğrulanamadığı için eşiğe bağlı sınıflandırma ölçümleri model karşılaştırması için temel dayanak olarak kullanılmamıştır. Bu tabloyu indirmek için lütfen buraya tıklayın.
Güven aralıkları örtüştü ve lojistik regresyonun diğer modellerden istatistiksel olarak daha üstün olduğu şeklinde yorumlanmadı. Lojistik regresyon, kararlı bir iç ayrım ve doğrudan yorumlanabilir bir model yapısı sunduğu için ana model olarak tutuldu. Sonuçlar, tek bir ayrılmış iç doğrulama kohortundaki performansı temsil etmektedir ve iyimserlik düzeltmeli, zamansal veya dış doğrulama teşkil etmemektedir (Şekil 2A–D).
Şekil 2: Öngörü modellerinin ayrıştırma, kalibrasyon ve karar eğrisi performansı.
(A) Eğitim kohortundaki alıcı işletim karakteristiği eğrileri. (B) Dahili doğrulama kohortundaki alıcı işletim karakteristiği eğrileri. Eğri etiketleri, %95 güven aralıklarıyla birlikte alıcı işletim karakteristiği eğrisi altındaki alanı (AUC) göstermektedir. (C) Öngörülen ve gözlemlenen DCI olasılıklarını karşılaştıran kalibrasyon eğrileri; diyagonal noktalı çizgi mükemmel kalibrasyonu belirtir. (D) Eşik olasılıklar boyunca net faydayı gösteren karar eğrisi analizi. Yatay noktalı çizgi hiç tedavi etmeme stratejisini, kesikli çizgi ise herkesi tedavi etme stratejisini temsil eder. AUC, alıcı işletim karakteristiği eğrisi altındaki alan; DCI, gecikmiş serebral iskemi; KNN, k-en yakın komşu; LightGBM, hafif gradyan artırma makinesi; SVM, destek vektör makinesi; XGBoost, ekstrem gradyan artırma. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.
Keşifsel karar eğrisi analizi
Net faydanın keşifsel bir değerlendirmesi olarak karar eğrisi analizi gerçekleştirilmiştir. Ancak, önceden belirlenmiş kesin eşik olasılık aralığı ve hasta düzeyindeki net fayda çıktısı arşivlenmiş analiz kayıtlarında tutulmamıştır. Sonuç olarak, karar eğrisi bulguları klinik faydayı kanıtlayamaz veya klinik olarak uygun bir müdahale eşiği tanımlayamaz.
Tümünü tedavi et veya hiçbirini tedavi et stratejilerine kıyasla görülen herhangi bir net fayda avantajı, yalnızca mevcut dahili veri seti içindeki öncül bir patern olarak yorumlanmalıdır. Modelin hasta yönetimi kararları için yararlı kabul edilebilmesi için harici doğrulama, prospektif eşik seçimi, klinik sonuçların değerlendirilmesi ve resmi bir klinik etki çalışması gereklidir (Şekil 3).
Şekil 3: Dahili doğrulama kohortundaki seçili öngörü modellerinin karar eğrisi analizi. Lojistik regresyon, SVM ve XGBoost modelleri için net fayda, eşik olasılığa karşı grafiğe dökülmüştür. Kesikli "herkesi tedavi et" çizgisi tüm hastaların izlendiği stratejiyi, noktalı "hiç kimseyi tedavi etme" çizgisi ise hiçbir hastanın izlenmediği stratejiyi temsil eder. Bir model, net fayda eğrisinin her iki referans stratejinin üzerinde olduğu eşik olasılıklarda klinik olarak yararlı kabul edilir. SVM, destek vektör makinesi; XGBoost, ekstrem gradyan artırma. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.
Çok değişkenli lojistik regresyon modeli
Nihai lojistik regresyon modeli yaş, serebral ödem, hipoalbüminemi, modifiye Fisher derecesi, Hunt-Hess derecesi ve WFNS derecesini içermiştir. Regresyon katsayıları, olasılık oranları, %95 güven aralıkları ve P değerleri Tablo 4'te sunulmuştur. Yaşın katsayısı 0,038 iken; serebral ödem, hipoalbüminemi, modifiye Fisher derecesi ≥ III, Hunt-Hess derecesi ≥ III ve WFNS derecesi ≥ III için katsayılar sırasıyla 0,842, 0,615, 1,274, 0,933 ve 0,781 olmuştur.
| Öngörücü | β katsayı | Odds oranı (OR) | %95 GA | P değer | Yorumlama notu |
| Kesişim noktası | Lütfen çevrilecek kaynak metni giriniz. | — | — | — | Hasta düzeyinde risk hesaplaması için gereklidir. |
| Yaş | 0.038 | 1.039 | 1.012–1.067 | 0.004 | Sadece öngörücü ilişki; nedensel değil. |
| Serebral ödem | 0.842 | 2.321 | 1.541–3.496 | <0.001 | DCI tanısından önce ölçüldü. |
| Hipoalbüminemi | 0.615 | 1.85 | 1.206–2.837 | 0.005 | Tahmin zaman noktasından önceki mevcut en erken albümin değeri. |
| Modifiye Fisher evresi ≥III | 1.274 | 3.575 | 2.401–5.324 | <0.001 | Şiddet belirteci; çoklu doğrusal bağlantı riskine dikkat ederek yorumlayınız. |
| Hunt-Hess evresi ≥III | 0.933 | 2.542 | 1.674–3.861 | <0.001 | Şiddet belirteci; kolineariteye dikkat ederek yorumlayınız. |
| WFNS evresi ≥III | 0.781 | 2.184 | 1.447–3.298 | <0.001 | Şiddet belirteci; çoklu doğrusallık uyarısı ile yorumlayın. |
Tablo 4: Gecikmiş serebral iskemiyi tahmin etmeye yönelik nihai çok değişkenli lojistik regresyon modeli. LASSO seçiminden sonra korunan öngördürücüler için regresyon katsayıları, odds oranları, %95 güven aralıkları ve P değerleri gösterilmiştir. Tüm öngördürücüler, hedeflenen tahmin zaman noktasından önce değerlendirilmiştir. Kısaltmalar: CI, güven aralığı; DCI, gecikmiş serebral iskemi; OR, odds oranı; WFNS, Dünya Nöroşirürjiyenler Federasyonu. Sayısal lojistik regresyon kesim noktası, arşivlenmiş model çıktısında mevcut değildi. Bu nedenle, rapor edilen katsayılar bireysel tahmin olasılıklarını hesaplamak için kullanılamaz. Katsayılar öngördürücü ilişkileri temsil eder ve bağımsız nedensel etkiler olarak yorumlanmamalıdır. Bu Tabloyu indirmek için lütfen buraya tıklayın.
Bu katsayılar, geliştirme kohortu içindeki öngörücü ilişkileri tanımlamaktadır. Modifiye Fisher evresi, Hunt-Hess evresi ve WFNS evresi, hastalık şiddetinin örtüşen boyutlarını temsil ettiği ve sayısal kolineerlik tanıları mevcut olmadığı için, bunlar bağımsız nedensel etkiler olarak yorumlanmamalıdır. Değişkenler, doğrulanmış bağımsız risk faktörleri olmaktan ziyade, öngörü modelinin bileşenleri olarak tutulmuştur.
Kalibrasyon performansı
Kalibrasyon, iç doğrulama kohortunda kalibrasyon eğimi, kalibrasyon kesim noktası ve Brier skoru nokta tahminleri kullanılarak özetlenmiştir. Lojistik regresyonun kalibrasyon eğimi 0,98, kalibrasyon kesim noktası 0,02 ve Brier skoru 0,168 idi. Karşılık gelen değerler SVM için 0,94, 0,05 ve 0,182; XGBoost için 0,88, 0,09 ve 0,201; LightGBM için 0,91, 0,07 ve 0,194; ve KNN için 0,92, 0,06 ve 0,190 idi (Tablo 5).
Yeniden örnekleme için gerekli olan bireysel öngörülen olasılıklar arşivlenmiş analiz çıktılarında tutulmadığı için, bu kalibrasyon ölçümleri için Bootstrap güven aralıkları hesaplanamamıştır. Bu nedenle, kalibrasyon sonuçları dahili doğrulama kohortu içindeki ön nokta tahminleri olarak sunulmuştur ve diğer kurumlar veya hasta popülasyonlarındaki kalibrasyonun kanıtı olarak yorumlanmamalıdır (Şekil 4).
Şekil 4: Dahili doğrulama kohortunda lojistik regresyon modelinin kalibrasyonu. Düz çizgi, gecikmiş serebral iskemi için öngörülen ve gözlenen olasılıklar arasındaki ilişkiyi göstermektedir. Diyagonal kesikli çizgi mükemmel kalibrasyonu temsil eder; iki çizgi arasındaki uyumun yakınlığı, daha iyi kalibrasyon performansına işaret eder. DCI, gecikmiş serebral iskemi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
| Model | Kalibrasyon eğimi | Kalibrasyon eğimi %95 GA | Kalibrasyon kesim noktası | Kalibrasyon kesim noktası %95 GA | Brier skoru | Brier skoru %95 GA | Düzeltme notu |
| Lojistik regresyon | 0.98 | [bootstrap %95 GA ekleyin] | 0.02 | [bootstrap %95 GA ekleyin] | 0.168 | [bootstrap %95 GA ekleyin] | Varsa, final analizden elde edilen bootstrap GA'ları ekleyin. |
| Destek Vektör Makineleri | 0.94 | [bootstrap %95 GA ekleyin] | 0.05 | [bootstrap %95 GA ekleyin] | 0.182 | [bootstrap %95 GA ekleyin] | |
| XGBoost | 0.88 | [bootstrap %95 GA ekleyin] | 0.09 | [bootstrap %95 GA ekleyin] | 0.201 | [bootstrap %95 GA ekleyin] | |
| LightGBM | 0.91 | [bootstrap %95 GA ekleyin] | 0.07 | [bootstrap %95 GA ekleyin] | 0.194 | [bootstrap %95 GA ekleyin] | |
| KNN (En Yakın Komşu) | 0.92 | [bootstrap %95 GA ekleyin] | 0.06 | [bootstrap %95 GA ekleyin] | 0.19 | [bootstrap %95 GA ekleyin] |
Tablo 5: Dahili doğrulama kohortundaki öngörü modellerinin kalibrasyon performansı. 1,0'lık bir kalibrasyon eğimi ve 0'lık bir kalibrasyon kesim noktası ideal kalibrasyonu gösterir. Daha düşük Brier skorları, daha iyi genel öngörü doğruluğuna işaret eder. Kısaltmalar: KNN, k-en yakın komşu; LightGBM, hafif gradyan artırma makinesi; SVM, destek vektör makinesi; XGBoost, ekstrem gradyan artırma. Kalibrasyon eğimi, kalibrasyon kesim noktası ve Brier skoru nokta tahminleri olarak raporlanmıştır. Bootstrap güven aralıkları mevcut değildir. Bu sonuçlar yalnızca ayrılmış dahili doğrulama kohortu içindeki ön kalibrasyonu tanımlamaktadır. Bu tabloyu indirmek için lütfen buraya tıklayın.
Karmaşıklık matrisinden türetilen metrikler.
Lojistik regresyon için mevcut olan dahili doğrulama karışıklık matrisi; 30 doğru pozitif, 80 doğru negatif, 14 yanlış pozitif ve 12 yanlış negatif içeriyordu. Yeniden hesaplanan doğruluk 0.809, duyarlılık 0.714, özgüllük 0.851, pozitif öngörü değeri 0.682, negatif öngörü değeri 0.870 ve F1 skoru 0.698 olarak bulundu.
SVM için hata matrisi 29 doğru pozitif, 77 doğru negatif, 17 yanlış pozitif ve 13 yanlış negatif içeriyordu. Yeniden hesaplanan doğruluk 0,779, duyarlılık 0,690, özgüllük 0,819, pozitif öngörü değeri 0,630, negatif öngörü değeri 0,856 ve F1 skoru 0,659 idi (Tablo 6).
| Metrik | Lojistik regresyon | SVM | Hesaplama notu |
| Doğru pozitifler | 30 | 29 | Validasyon kohortu |
| Doğru negatifler | 80 | 77 | Validasyon kohortu |
| Yanlış pozitifler | 14 | 17 | Validasyon kohortu |
| Yanlış negatifler | 12 | 13 | Validasyon kohortu |
| Doğruluk | 0.809 | 0.779 | (TP + TN) / toplam |
| Duyarlılık | 0.714 | 0.69 | TP / (TP + FN) |
| Özgüllük | 0.851 | 0.819 | TN / (TN + FP) |
| Pozitif öngörü değeri | 0.682 | 0.63 | TP / (TP + FP) |
| Negatif öngörü değeri | 0.87 | 0.856 | TN / (TN + FN) |
| F1 skoru | 0.698 | 0.659 | 2TP / (2TP + FP + FN) |
Tablo 6: Dahili doğrulama kohortunda lojistik regresyon ve SVM için hata matrisi kaynaklı performans ölçümleri. Metrikler arşivlenmiş hata matrislerinden hesaplanmıştır; ancak kesin eşik değeri saklanmamıştır. Kesin eşik değerini tablo dipnotunda belirtiniz. Kısaltmalar: NPV, negatif öngörü değeri; PPV, pozitif öngörü değeri; SVM, destek vektör makinesi. Hata matrisleri dahili doğrulama kohortundan elde edilmiştir. Yeniden hesaplanan lojistik regresyon doğruluğu, duyarlılığı, özgüllüğü, pozitif öngörü değeri, negatif öngörü değeri ve F1 skoru sırasıyla 0.809, 0.714, 0.851, 0.682, 0.870 ve 0.698'dir. Karşılık gelen SVM değerleri ise 0.779, 0.690, 0.819, 0.630, 0.856 ve 0.659'dur. Orijinal analizde kullanılan kesin sınıflandırma eşiği saklanmamıştır ve nihai gönderimden önce doğrulanmalıdır. Bu tabloyu indirmek için lütfen buraya tıklayınız.
Sayısal tutarlılığı sağlamak amacıyla bu değerler, aynı hata matrislerinden doğrudan yeniden hesaplanmıştır. Ancak, orijinal sınıflandırma analizinde kullanılan kesin olasılık eşiği korunmamıştır. Bu nedenle, eşiğe bağlı ölçümler tanımlayıcı olarak bildirilmiştir ve eşik değeri orijinal analiz kodundan doğrulanana kadar model karşılaştırması için temel dayanak olarak kullanılmamalıdır (Tablo 7).
| Alt grup | AUC (Lojistik Regresyon) |
| Yaş ≥65 yıl | 0.821 |
| Yaş <65 yaş | 0.836 |
| Modifiye Fisher ≥III | 0.844 |
| Modifiye Fisher I–II | 0.801 |
| Kırpma | 0.825 |
| Endovasküler tedavi | 0.835 |
Tablo 7: Lojistik regresyon modelinin keşifsel alt grup ayrıştırma analizi. AUC değerleri yaş, modifiye Fisher derecesi ve tedavi alt grubuna göre raporlanmıştır. Bu analizler keşifseldir ve modelin genellenebilirliğinin kanıtı olarak yorumlanmamalıdır. Her alt grup için alt grup örneklem büyüklüğünü, DCI olay sayısını ve %95 güven aralığını ekleyin.
Kısaltmalar: AUC, alıcı işletim karakteristik eğrisi altında kalan alan; DCI, gecikmiş serebral iskemi. Bu Tabloyu indirmek için lütfen buraya tıklayın.
Keşifsel Alt Grup Değerlendirmesi
Arşivlenmiş alt grup çıktıları; yaş, modifiye Fisher evresi ve tedavi yaklaşımına göre AUC nokta tahminlerini içeriyordu. Ancak, alt grup örneklem büyüklükleri, alt grup DCI-olay sayıları, %95 güven aralıkları ile etkileşim veya heterojenliğin resmi testleri mevcut değildi. Bu nedenle, alt grup bulguları eksik ve keşifsel olarak değerlendirildi. Bunlar, model performansının hasta alt grupları arasında sağlam, tutarlı veya genellenebilir olduğunu iddia etmek için kullanılmadı.
Risk stratifikasyon performansı
Arşivlenen risk stratifikasyon çıktısı, önerilen düşük, orta ve yüksek risk kategorileri için sırasıyla %10,2, %33,6 ve %69,1 gözlemlenen DCI yüzdeleri bildirmiştir. Ancak, ilgili grup paydaları, DCI olay sayıları, güven aralıkları ve olasılık kesme noktaları için önceden belirlenmiş klinik veya istatistiksel gerekçeler mevcut değildi. Bu nedenle, analiz keşifsel olarak değerlendirilmiş ve valide edilmiş risk ayrımı veya klinik uygulanabilirlik iddialarını desteklemek için kullanılmamıştır (Tablo 8).
| Risk kategorisi | Olasılık aralığı | Gözlemlenen DCI insidansı |
| Düşük risk | <0.20 | 10.2% |
| Orta risk | 0.20–0.50 | 33.6% |
| Yüksek risk | >0.50 | 69.1% |
Tablo 8: Dahili doğrulama kohortundaki model kaynaklı risk kategorilerine göre gözlemlenen gecikmiş serebral iskemi insidansı. Risk kategorileri, final lojistik regresyon modelinden elde edilen öngörülen olasılıklar kullanılarak tanımlanmıştır. Bu tabloyu indirmek için lütfen buraya tıklayın.
Final Lojistik Regresyon Modeli
Arşivlenen regresyon çıktısı, seçilen altı öngördürücüye ait katsayıları içeriyordu ancak sayısal model kesim noktasını (intercept) içermiyordu. Bireysel tahmin edilen olasılığı hesaplamak için kesim noktası gerektiğinden, hasta düzeyinde tam bir tahmin denklemi raporlanamadı. Bu nedenle, eksik denklem, varsayılan veya yeniden oluşturulmuş bir değer kullanılarak tamamlanmak yerine kaldırıldı.
Tablo 4'te sunulan katsayılar, uyarlanmış model içindeki öngördürücü ilişkilerin yönünü ve göreceli büyüklüğünü tanımlamak için kullanılabilir, ancak hasta düzeyindeki DCI olasılıklarını hesaplamak için kullanılmamalıdır. Tam bir öngörü denklemi, ancak sabit terim orijinal uyarlanmış modelden geri kazanıldıktan veya gerçek hasta düzeyi veri seti yeniden analiz edilerek yeniden oluşturulduktan sonra sağlanabilir.
Logit(DCI) = [intercept] + 0,038 × yaş + 0,842 × serebral ödem + 0,615 × hipoalbüminemi + 1,274 × modifiye Fisher derecesi ≥III + 0,933 × Hunt-Hess derecesi ≥III + 0,781 × Dünya Nöroşirürji Federasyonu (WFNS) derecesi ≥III.
DCI'nın öngörülen olasılığı şu şekilde hesaplanmıştır:
P(DCI) = 1 / [1 + exp(−Logit)].
İkili öngördürücüler, durum mevcut olduğunda 1 ve mevcut olmadığında 0 olarak kodlanmıştır. Modifiye Fisher evresi ≥III, Hunt-Hess evresi ≥III ve Dünya Nöroşirürjiyenler Federasyonu (WFNS) evresi ≥III, hasta eşik değeri karşıladığında 1, aksi takdirde 0 olarak kodlanmıştır. Sabit terim (intercept), hasta düzeyinde olasılık hesaplaması için gerekli olduğundan raporlanmamıştır. Bu denklem, dış doğrulama ve yeniden kalibrasyon tamamlanana kadar yalnızca araştırma yorumlamaları için kullanılmalıdır.
Modifiye Fisher evresi, Hunt-Hess evresi ve Dünya Nöroşirürji Federasyonu evresinin tamamı hastalık şiddetini yansıtmaktadır ve klinik anlam bakımından kısmen örtüşebilirler. Sayısal kolinerite tanıları ve örtüşen şiddet skalalarını dışarıda bırakan eksiksiz bir duyarlılık modeli mevcut olmadığından, makalede bu değişkenler bağımsız nedensel öngörücüler olarak yorumlanmamıştır. Bu değişkenler, yalnızca eğitim kohortunda seçilen bir öngörü modelinin bileşenleri olarak tutulmuştur. Bu kısıtlılık, her bir şiddet skalasının bağımsız katkısına olan güveni azaltmakta olup, gelecekteki dış doğrulama çalışmalarında ele alınmalıdır.
VERİ ERİŞİLEBİLİRLİĞİ:
Hassas klinik bilgiler içerdiği ve kurumsal etik ve veri koruma gerekliliklerine tabi olduğu için hasta düzeyindeki eksiksiz hastane veri seti kamuya açık değildir. Kimliksizleştirilmiş bir analiz veri setine erişim; metodolojik olarak gerekçelendirilmiş bir araştırma önerisinin, etik onay kanıtının ve uygun bir veri kullanım sözleşmesinin sunulmasının ardından Yulin Birinci Hastanesi Kurumsal Etik Kurulu tarafından değerlendirilebilir. Paylaşılan veri seti isimleri, hastane kimlik numaralarını, kesin tarihleri, iletişim bilgilerini ve diğer doğrudan veya dolaylı tanımlayıcıları kapsamaz. Kurumsal politika tarafından izin verildiği üzere; doğrulanmış bir değişken sözlüğü, analiz betikleri, model geliştirme ve tekrarlanabilirlik bilgilerini tanımlayan Ek Tablo 1 ve değişkene özgü eksiklikleri bildiren Ek Tablo 2 sağlanmıştır. Gösterim veya sentetik veri setleri, orijinal klinik çalışma verileri olarak sunulmamıştır.
Ek Tablo 1: Model geliştirme için tekrarlanabilirlik detayları ve nihai hiperparametreler. Bu tablo; XGBoost, LightGBM, SVM ve KNN için rastgele tohumu, yazılım ve paket sürümlerini, ön işleme adımlarını, imputasyon prosedürünü, çapraz doğrulama yaklaşımını, optimizasyon ızgarasını ve nihai hiperparametreleri raporlamaktadır.Bu dosyayı indirmek için lütfen buraya tıklayınız.
Ek Tablo 2: Aday öngördürücüler için eksik veri özeti ve işleme stratejisi. Her bir aday öngördürücü için eksik gözlem sayısı ve yüzdesi, imputasyon yöntemi ve değişkenin analiz için tutulup tutulmadığı rapor edilmiştir.Bu dosyayı indirmek için lütfen buraya tıklayın.
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 aynı zaman diliminden seçildiği için bulgular yalnızca öncül bir dahili doğrulama olarak yorumlanmalıdır.
Seçilen öngördürücüler, aSAH bağlamında klinik olarak makuldür. Daha yüksek modifiye Fisher evresi daha fazla kanama yükünü yansıtırken, Hunt-Hess ve WFNS evreleri başvuru anındaki nörolojik şiddeti tanımlar14,15. Serebral ödem erken beyin hasarını temsil edebilir, ileri yaş ise azalmış fizyolojik rezervi gösterebilir. Hipoalbuminemi; sistemik hastalığı, inflamasyonu, beslenme durumunu veya endotel kırılganlığını yansıtabilir19,20. Ancak, bu ilişkiler öngörü amacıyla belirlenmiştir ve nedensel olarak yorumlanmamalıdır. Ayrıca modifiye Fisher, Hunt-Hess ve WFNS evreleri, hastalık şiddetinin birbiriyle ilişkili yönlerini ölçmektedir. VIF değerleri ve sayısal duyarlılık analizleri mevcut olmadığından, her bir derecelendirme ölçeğinin bağımsız katkısı saptanamamıştır.
Daha karmaşık makine öğrenimi yöntemleri, ayrılmış iç doğrulama kohortunda lojistik regresyona göre belirgin bir avantaj göstermemiştir. Lojistik regresyon en yüksek doğrulama AUC değerini sergilemiş, ancak güven aralıkları diğer modellerinkilerle örtüşmüştür. Karmaşık algoritmalar doğrusal olmayan örüntüleri yakalayabilse de, öngördücü küme küçük olduğunda ve veriler tek bir merkezden geldiğinde aşırı öğrenme (overfitting) gerçekleştirebilirler. Bu nedenle lojistik regresyon, yorumlanabilirliği ve stabil iç ayrımı nedeniyle temel model olarak tutulmuştur. Bununla birlikte, hiperparametrelerin ve yazılım versiyonlarının eksik kayıtları, makine öğrenimi karşılaştırmalarının tekrarlanabilirliğini sınırlamaktadır.
Mevcut modelin belirlenmiş bir klinik rolü yoktur. Teorik olarak, daha yüksek bir tahmini riskin daha yakın nörolojik gözlemi veya daha erken uzman incelemesini destekleyebileceği düşünülse de, model kesişim noktası (intercept) mevcut olmadığından şu anda hasta düzeyinde olasılıklar hesaplanamamaktadır. Ayrıca, karar eğrisi eşik aralığı, alt grup performansı ve risk kategorisi sonuçları eksik belgelenmiştir. Bu nedenle model; tek başına bir tanı aracı, izleme kuralı veya tedavi kararları için bir temel olarak kullanılmamalıdır. Uygulama aşaması değerlendirilmeden önce modelin eksiksiz bir şekilde yeniden oluşturulması, dış validasyonu, yeniden kalibrasyonu ve prospektif klinik etki değerlendirmesi gereklidir.
Bu çalışmanın birkaç kısıtlılığı bulunmaktadır. İlk olarak, retrospektif olması ve tek bir merkezde yürütülmüş olması genelleştirilebilirliği sınırlamaktadır. İkinci olarak, model performansı, tek bir sonuç-stratifiye 8:2 ayırma (hold-out split) yöntemi kullanılarak değerlendirilmiştir. Bootstrap optimizm düzeltmesi, tekrarlanan k-katlı doğrulama (k-fold validation), zamansal doğrulama ve harici doğrulama yapılamamıştır. Üçüncü olarak, orijinal rastgele tohum (random seed), nihai makine öğrenmesi hiperparametreleri, ayar ızgaraları (tuning grids), sınıf dengesizliği prosedürü ve eksiksiz yazılım paketi versiyonları saklanmamıştır, bu da hesaplamalı tekrarlanabilirliği sınırlamaktadır. Dördüncü olarak, sayısal lojistik regresyon kesişim noktası (intercept) mevcut olmadığından, bireysel öngörülen olasılıkların hesaplanması mümkün olmamıştır. Beşinci olarak, modifiye Fisher evresi, Hunt-Hess evresi ve WFNS evresi birbiriyle ilişkili şiddet ölçümleri olup; çakışan ölçekler hariç tutularak yapılan VIF tanıları ve sayısal duyarlılık analizleri gerçekleştirilememiştir. Altıncı olarak, kalibrasyon eğimi, kalibrasyon kesişim noktası ve Brier skoru için güven aralıkları hesaplanmamıştır. Yedinci olarak, kesin sınıflandırma eşiği ve DCA eşik aralığı doğrulanamamıştır. Sekizinci olarak, alt grup ve risk stratifikasyon analizlerinde eksiksiz paydalar, olay sayıları, güven aralıkları ve formal etkileşim testleri bulunmamaktadır. Dokuzuncu olarak, değişkene özgü orijinal eksiklik örüntüsü saklanmamıştır. Son olarak, hastanede meydana gelen erken ölümler hariç tutulmuştur, bu durum sağkalım yanlılığına (survivorship bias) yol açmış olabilir. Bu kısıtlılıklar, modelin öncül olarak değerlendirilmesi gerektiğini ve kapsamlı bir yeniden analiz ile bağımsız harici doğrulama yapılmadan klinik karar verme süreçlerinde kullanılmaması gerektiğini göstermektedir.
Bu çalışma, erken klinik, laboratuvar ve görüntüleme değişkenlerini kullanarak aSAH sonrası DCI için öngörü modelleri geliştirmiş ve değerlendirmiştir21. LASSO seçimi sonrası altı öngörücü değişken belirlenmiştir: yaş, serebral ödem, hipoalbüminemi, modifiye Fisher derecesi, Hunt-Hess derecesi ve WFNS derecesi22,23,24,25,26,27,28,29. Lojistik regresyon, ayırılmış dahili doğrulama kohortunda 0,832 (95% CI) AUC değerine ulaşmış ve yorumlanabilir bir model yapısı sunmuştur29,30. Ancak analiz, tek bir dahili bölünmeye dayanmaktaydı; yeniden örnekleme tabanlı tam doğrulama, harici doğrulama ve hesaplama tekrarlanabilirliği hakkında bilgi mevcut değildi. Bu nedenle bulgular, klinik olarak doğrulanmış bir öngörü aracı kanıtı olarak değil, ön model geliştirme sonuçları olarak değerlendirilmelidir.
Bu tek merkezli retrospektif çalışma, altı erken klinik, laboratuvar ve görüntüleme değişkenini kullanarak aSAH sonrası DCI için öngörü modelleri geliştirmiş ve değerlendirmiştir. Lojistik regresyon, tek bir ayrılmış dahili doğrulama kohortunda öncül bir ayırt edicilik göstermiş ve yorumlanabilir bir model yapısı sunmuştur31,32,33,34. Ancak, eksik tekrarlanabilirlik kayıtları, sayısal bir kesme noktasının (intercept) yokluğu, yeniden örnekleme tabanlı doğrulamanın yapılamamış olması, eksik belirsizlik değerlendirmesi ve harici doğrulama eksikliği, hasta düzeyinde olasılık hesaplamasını ve klinik kullanımı engellemektedir. Gerçek hasta düzeyi veri seti kullanılarak yapılan yeniden analiz, model geliştirme ayarlarının eksiksiz raporlanması ve bağımsız çok merkezli doğrulama gereklidir.
Teşekkürler
Yazarlar, anonimleştirilmiş klinik verilerin geri getirilmesindeki destekleri için Yulin Birinci Hastanesi tıbbi kayıt personeline teşekkür ederler. Bu personel üyeleri; çalışma tasarımına, sonuçların değerlendirilmesine, istatistiksel modellemeye, sonuçların yorumlanmasına, taslağın hazırlanmasına veya nihai taslağın onaylanmasına katılmadıkları için yazarlık kriterlerini karşılamamışlardır.
Malzemeler
| 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. |
Kaynaklar
- Caylor MM, MacDonald RL. Pharmacological prevention of delayed cerebral ischemia in aneurysmal subarachnoid hemorrhage. Neurocrit Care. 2024;40(1):159–169.
- Shah VA, Gonzalez LF, Suarez JI. Therapies for delayed cerebral ischemia in aneurysmal subarachnoid hemorrhage. Neurocrit Care. 2023;39(1):36–50.
- Clarke JV, et al. Microvascular platelet aggregation and thrombosis after subarachnoid hemorrhage: a review and synthesis. J Cereb Blood Flow Metab. 2020;40(8):1565–1575.
- Dodd WS, et al. Pathophysiology of delayed cerebral ischemia after subarachnoid hemorrhage: a review. J Am Heart Assoc. 2021;10(15). doi:10.1161/JAHA.121.021845.
- Stragier H, et al. Pathophysiological mechanisms underlying early brain injury and delayed cerebral ischemia in the aftermath of aneurysmal subarachnoid hemorrhage: a comprehensive analysis. Front Neurol. 2025;16:1587091. doi:10.3389/fneur.2025.1587091.
- Xiao ZK, et al. Risk factors for the development of delayed cerebral ischemia after aneurysmal subarachnoid hemorrhage: a systematic review and meta-analysis. World Neurosurg. 2025;193:427–446.
- Sirsat MS, Fermé E, Câmara J. Machine learning for brain stroke: a review. J Stroke Cerebrovasc Dis. 2020;29(10):105162. doi:10.1016/j.jstrokecerebrovasdis.2020.105162.
- Mao M, et al. Construction of a nomogram model for predicting delayed cerebral ischemia in aneurysmal subarachnoid hemorrhage patients. Sci Rep. 2025;15(1):17739. doi:10.1038/s41598-025-01693-w.
- Connolly ES Jr, et al. Guidelines for the management of aneurysmal subarachnoid hemorrhage: a guideline for healthcare professionals from the American Heart Association/American Stroke Association. Stroke. 2012;43(6):1711–1737.
- Vergouwen MD, et al. Definition of delayed cerebral ischemia after aneurysmal subarachnoid hemorrhage as an outcome event in clinical trials and observational studies: proposal of a multidisciplinary research group. Stroke. 2010;41(10):2391–2395.
- Riley RD, et al. Calculating the sample size required for developing a clinical prediction model. BMJ. 2020;368. doi:10.1136/bmj.m441.
- Veldeman M, et al. Delayed cerebral ischaemia prevention and treatment after aneurysmal subarachnoid haemorrhage: a systematic review. Br J Anaesth. 2016;117(1):17–40.
- Azzam AY, et al. Prediction of delayed cerebral ischemia followed aneurysmal subarachnoid hemorrhage: a machine-learning based study. J Stroke Cerebrovasc Dis. 2024;33(4):107553. doi:10.1016/j.jstrokecerebrovasdis.2023.107553.
- Jeong TS, et al. Factors related to the development of shunt-dependent hydrocephalus following subarachnoid hemorrhage in the elderly. Turk Neurosurg. 2018;28(2):226–233.
- Becerril-Gaitan A, et al. The effect of age on cerebral vasospasm and delayed cerebral ischemia in patients with aneurysmal subarachnoid hemorrhage. World Neurosurg. 2024;187–e1024.
- Hayman EG, et al. Mechanisms of global cerebral edema formation in aneurysmal subarachnoid hemorrhage. Neurocrit Care. 2017;26(2):301–310.
- Fistouris P, et al. The impact of intracranial blood clearance on brain edema as a predictor of delayed cerebral infarction following subarachnoid hemorrhage. Cerebrovasc Dis. Published online June 28, 2025:1–8.
- Liu JP, et al. Analysis of risk factors for delayed cerebral ischemia after aneurysmal subarachnoid hemorrhage [in Chinese]. Chin J Cerebrovasc Dis. 2017;14(1):10–14.
- Guo X, et al. Admission albumin-globulin ratio associated with delayed cerebral ischemia following aneurysmal subarachnoid hemorrhage. Front Neurol. 2024;15:1438728. doi:10.3389/fneur.2024.1438728.
- Sanicola HW, et al. Pathophysiology, management, and therapeutics in subarachnoid hemorrhage and delayed cerebral ischemia: an overview. Pathophysiology. 2023;30(3):420–442.
- Wang L, et al. Risk factors and predictive models of poor prognosis and delayed cerebral ischemia in aneurysmal subarachnoid hemorrhage complicated with hydrocephalus. Front Neurol. 2022;13:1014501. doi:10.3389/fneur.2022.1014501.
- Raatikainen E, et al. Prognostic value of the 2010 consensus definition of delayed cerebral ischemia after aneurysmal subarachnoid hemorrhage. J Neurol Sci. 2021;420:117261. doi:10.1016/j.jns.2020.117261.
- Shah AH, Snow R, Wendell LC, et al. Association of hemoglobin trend and outcomes in aneurysmal subarachnoid hemorrhage: a single center cohort study. J Clin Neurosci. 2023;107:77–83.
- Jiang C, et al. Risk and prognostic factors for rupture of intracranial aneurysms during endovascular embolization. World Neurosurg. 2019;129–e649.
- Naraoka M, et al. Role of microcirculatory impairment in delayed cerebral ischemia and outcome after aneurysmal subarachnoid hemorrhage. J Cereb Blood Flow Metab. 2022;42(1):186–196.
- Hu P, et al. Effect of surgical clipping versus endovascular coiling on the incidence of delayed cerebral ischemia in patients with aneurysmal subarachnoid hemorrhage: a multicenter observational cohort study with propensity score matching. World Neurosurg. 2023;172–e388.
- Ching T, et al. Opportunities and obstacles for deep learning in biology and medicine. J R Soc Interface. 2018;15(141):20170387. doi:10.1098/rsif.2017.0387.
- Jiang F, et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230–243.
- Coulibaly AP, Provencio JJ. Aneurysmal subarachnoid hemorrhage: an overview of inflammation-induced cellular changes. Neurotherapeutics. 2020;17(2):436–445.
- Gris T, et al. Innate immunity activation in the early brain injury period following subarachnoid hemorrhage. J Neuroinflammation. 2019;16(1):253. doi:10.1186/s12974-019-1629-7.
- Wu Z, et al. Study on the predictive value of laboratory inflammatory markers and blood count-derived inflammatory markers for disease severity and prognosis in COVID-19 patients: a study conducted at a university-affiliated infectious disease hospital. Ann Med. 2024;56(1):2415401. doi:10.1080/07853890.2024.2415401.
- Okugawa Y, et al. Lymphocyte–C-reactive protein ratio as a promising new marker for predicting surgical and oncological outcomes in colorectal cancer. Ann Surg. 2020;272(2):342–351.
- Xie L, et al. The systemic inflammation response index as a significant predictor of short-term adverse outcomes in acute decompensated heart failure patients: a cohort study from southern China. Front Endocrinol (Lausanne). 2024;15:1444663. doi:10.3389/fendo.2024.1444663.
- Yan F, et al. Association between the stress hyperglycemia ratio and 28-day all-cause mortality in critically ill patients with sepsis: a retrospective cohort study and predictive model establishment based on machine learning. Cardiovasc Diabetol. 2024;23(1):163. doi:10.1186/s12933-024-02265-4.