Nörogirişimsel İşlemler Sonrası Kontrast Madde Kaynaklı Ensefalopatinin Makine Öğrenmesi ile Öngörülmesi

Özet

Nörogirişimsel prosedürler sonrası kontrast maddeye bağlı ensefalopatiyi (CIE) öngörmek için perioperatif verileri kullanan keşifsel bir makine öğrenimi (ML) çerçevesi değerlendirilmiştir. Naive Bayes modeli en dengeli tanımlayıcı performansı sergilemiş ve kontrast-eGFR oranı (CGR), kişiselleştirilmiş risk değerlendirmesi için önemli bir aday öngördücü olarak tanımlanmıştır.

Özet

CIE, nörointervansiyonel prosedürler sonrası görülen, güvenilir noninvaziv öngörücü araçların eksik olduğu nadir ancak ciddi bir komplikasyondur. Bu çalışma, perioperatif klinik ve prosedürel verileri kullanarak CIE'yi öngörmek için bir ML modeli geliştirmeyi, doğrulamayı ve CGR'nin CIE için öngördürücü değerini değerlendirmeyi amaçlamıştır. Bu çalışma, Ocak 2024 ile Aralık 2025 tarihleri arasında Northern Theater General Hospital Beyin ve Sinir Cerrahisi Bölümü'nde nörointervansiyonel prosedürler geçiren 161 hastanın ardışık olarak kaydedildiği tek merkezli retrospektif bir çalışmadır. CIE için potansiyel perioperatif öngördürücüler, tek değişkenli analiz ve LASSO regresyonu kombinasyonu kullanılarak belirlenmiştir. Seçilen değişkenlere dayanarak beş ML modeli —Naive Bayes, destek vektör makinesi (SVM), k-en yakın komşu (KNN), LightGBM ve çok katmanlı perseptron (MLP)— eğitilmiş ve optimize edilmiştir. Model performansı, alıcı işletim karakteristik eğrisi altındaki alan (AUC) ve karar eğrisi analizi (DCA) kullanılarak kapsamlı bir şekilde değerlendirilmiştir. Değerlendirilen modeller arasında Naive Bayes modeli, 0,952 AUC (95% CI: 0,843–1,000), %100 duyarlılık ve %90,3 özgüllük ile dahili test setinde en uygun tanımlayıcı performansı göstermiştir; ancak veri setinin belirgin şekilde dengesiz olması ve dahili test kohortunun küçük olup yalnızca çok sınırlı sayıda CIE olayı içermesi nedeniyle bu metrikler ihtiyatla yorumlanmalıdır. DCA sonuçları, seçilen eşik olasılıklar genelinde potansiyel bir klinik net faydaya işaret etmiştir. Öznitelik önem analizi, bu veri setinde CGR'nin CIE riski ile ilişkili en yüksek sıralamalı aday öngördürücüler arasında olduğunu göstermiştir. Bu çalışmada değerlendirilen Naive Bayes modeli, nörointervansiyonel prosedürler sonrası CIE'nin perioperatif değerlendirmesi için öncül bir risk sınıflama çerçevesi sağlayabilir. CGR önemli bir öngördürücü öznitelik olarak ortaya çıkmış ve bireyselleştirilmiş risk sınıflamasına yardımcı olabilir. Klinik uygulama öncesinde daha fazla harici doğrulama yapılması gereklidir.

Giriş

Son yirmi yılda, minimal invaziv girişimsel teknikler, serebrovasküler hastalıkların tedavi paradigmasını temelden değiştirmiştir¹. Yüksek etkinlik ve minimal invazivite avantajlarıyla nörogirişimsel prosedürler, seçilmiş serebrovasküler bozukluklar için önemli tedavi seçenekleri haline gelmiştir². Ancak, girişimsel prosedürlerin karmaşıklığı arttıkça, prosedürler sırasında kullanılan kontrast maddelerin dozları, enjeksiyon basınçları ve kontrast maddeye maruz kalma süresi de artmaktadır. Sonuç olarak, kontrast maddeyle ilişkili komplikasyonlar kademeli olarak daha fazla inceleme konusu olmuştur^3,4,5,6,7. İyotlu kontrast maddelerin (ICM) tetiklediği akut, geçici bir nörolojik disfonksiyon olan CIE, özellikle karmaşık nörogirişimsel prosedürlerde klinik olarak ilgili bir komplikasyon olarak giderek daha fazla kabul edilmektedir. CIE'nin tipik klinik belirtileri genellikle kontrast maddeye maruz kaldıktan sonra dakikalar içinde veya 24 saatin içinde ortaya çıkar ve bilinç değişikliklerini (somnolans, deliryum veya koma gibi), kortikal körlüğü, fokal nörolojik defisitleri (hemiparez veya afazi gibi) ve nöbetleri içerir^4,5,6. CIE vakalarının çoğu kendi kendini sınırlayan özelliktedir ve semptomlar tipik olarak 48 ila 72 saat içinde çözülür, ancak bazı hastalar kalıcı nörolojik bozukluklar yaşayabilir. Ağır vakalar, masif serebral ödem nedeniyle ölümle bile sonuçlanabilir^4,7. Sonuçların bu öngörülemezliği, perioperatif dönemde erken risk tahmini için güvenilir bir araç geliştirilmesinin acil ihtiyacını vurgulamaktadır.

Klinik veri hacmi artmaya devam ettikçe, çoklu doğrusal bağlantı gösteren yüksek boyutlu tıbbi verilerle uğraşırken geleneksel istatistiksel yöntemler giderek yetersiz kalmaktadır. Dahası, tek değişkenli analizler veya basit lojistik regresyon modelleri, değişkenler arasındaki karmaşık ve doğrusal olmayan etkileşimleri yakalamada genellikle başarısız olur. ML, bu zorlukların üstesinden gelmek için yeni bir boyut sunmaktadır⁸. SVM, gradyan artırma makineleri (LightGBM) ve MLP gibi ML algoritmaları, yüksek boyutlu özellik uzaylarındaki gizli modelleri otomatik olarak tanımlayabilir ve güçlü öngörü yeteneklerine sahip doğrusal olmayan modeller oluşturabilir^8,9,10,11. Ancak, tahmin doğruluğu peşinden koşulurken, bu algoritmaların yorumlanabilirlik eksikliği ile karakterize edilen "kara kutu" doğası, tıbbi karar verme sürecindeki güvenilirlik konusunda sıklıkla endişelere yol açmaktadır^12,13. Buna karşılık, Naive Bayes algoritması, basit olasılıksal mantığı ve doğal yorumlanabilirliği ile küçük örneklemli klinik çalışmalarda benzersiz avantajlar göstermektedir^14,15. Naive Bayes modeli, her bir öngörücü değişkenin sonuç olayına olan sonrasal olasılık katkısını değerlendirerek sadece öngörü performansını sağlamakla kalmaz, aynı zamanda klinisyenlere sezgisel karar destek içgörüleri sunar. Ayrıca, kontrast madde yükü ile bireysel temizleme kapasitesi arasındaki dengesizliği nicel olarak değerlendirmek için bu çalışma, temel bir özellik olarak kontrast madde-eGFR oranını (CGR) yenilikçi bir şekilde tanıtmaktadır. Böbrek fonksiyonel rezervi düşük olan hastalarda, orta düzeydeki kontrast madde dozları bile son derece yüksek CGR değerlerine yol açabilir ve bu durum CIE'ye karşı duyarlılığı artırabilir. CGR, kontrast madde yükü ve böbrek temizleme kapasitesini entegre eden klinik olarak sezgisel bir bileşik ölçüt sağlayabilir, ancak artırılmış öngörü değerinin daha fazla doğrulanması gerekmektedir. Bu entegre biyobelirteci dahil ederek bu çalışma, patofizyolojik gerçekliği daha yakından yansıtan bir öngörü çerçevesi geliştirmeyi amaçlamıştır.

Özetle, bu çalışma perioperatif klinik ve prosedürel değişkenleri kullanarak ML tabanlı bir CIE tahmin modeli geliştirmeyi ve doğrulamayı amaçlamıştır¹⁶. Belirli hedefler şunlardır: (1) keşifsel bir kompozit indeks olarak CGR'yi tanıtmak ve değerlendirmek; (2) beş ML modelinin —Naive Bayes, SVM, KNN, LightGBM ve MLP— performansını oluşturmak ve karşılaştırmak; ve (3) optimal modeli belirlemek. CIE olaylarının sınırlı sayısı nedeniyle, model karşılaştırması keşifsel ve hipotez oluşturucu olarak değerlendirilmiştir. Nihayetinde, bu çalışma nörointervensiyonel pratikte CIE için öncül bir risk stratifikasyon çerçevesi sağlayabilir, ancak dış doğrulama yapılmadan tek başına bir klinik karar verme aracı olarak kullanılmamalıdır. CGR'nin kavramsal temeli ve kontrast maruziyeti ile renal klirensle olan ilişkisi Şekil 1A'da gösterilmiştir. Veri ön işleme, eğitim/test bölme, özellik seçimi ve model geliştirmeyi içeren genel çalışma iş akışı Şekil 1B'de özetlenmiştir. Beş ML modelinin karşılaştırmalı değerlendirme çerçevesi Şekil 1C'de sunulmuştur.

Protokol

Çalışma protokolü, Kuzey Tiyatro Komutanlığı Genel Hastanesi Etik Kurulu tarafından incelenmiş ve onaylanmıştır (Onay No. Ethics Y (2026) 75). Klinik veriler Ocak 2024 ile Aralık 2025 tarihleri arasında tedavi edilen hastalardan elde edilmiş olsa da, mevcut çalışma mevcut klinik kayıtların retrospektif bir analizi olarak yürütülmüştür. 2026 yılında alınan etik onay; bu önceden toplanmış klinik verilerin retrospektif olarak çıkarılmasını, kimliksizleştirilmesini, analizini ve yayınlanmasını kapsamıştır. Etik onaydan önce herhangi bir prospektif müdahale veya hasta kaydı gerçekleştirilmemiştir. Retrospektif gözlemsel çalışma tasarımı nedeniyle yazılı bilgilendirilmiş onam gerekliliği kaldırılmıştır. Tüm prosedürler Helsinki Deklarasyonu'na uygun olarak yürütülmüş ve tüm klinik veriler analizden önce kimliksizleştirilmiştir. Mevcut analiz, onaylanmış bir retrospektif nörointervensiyonel klinik veri araştırma projesinin bir parçası olarak gerçekleştirilmiştir. Aşağıda açıklanan prosedürler için gerekli olan materyaller ve ekipmanlar Materyaller Tablosu'nda özetlenmiştir.

Hasta kaydı ve CIE belirlenmesi

Potansiyel olarak uygun hastalar, Ocak 2024 ile Aralık 2025 tarihleri arasında Kuzey Tiyatro Komutanlığı Genel Hastanesi Nöroşirürji Bölümünde tedavi gören hastalar için elektronik tıbbi kayıt sistemi sorgulanarak belirlenmiştir. İlk tarama; yatış tarihi, bölüm, serebrovasküler hastalık tanısı ve nörointervansiyonel işlem kayıtları ile sınırlandırılmıştır. Detaylı hasta tarama ve kohort tahsis iş akışı Şekil 2'de gösterilmiştir. Hastaların dahil edilme kriterleri şu şekilde belirlenmiştir: (1) yaşın 30 ile 80 arasında olması; (2) nörointervansiyonel değerlendirme veya tedavi gerektiren serebrovasküler hastalık tanısı; (3) tam klinik kayıtların ve laboratuvar test sonuçlarının mevcut olması; ve (4) cerrahiden sonraki 3 gün içinde postoperatif kranial BT incelemesinin yapılmış olması.

Klinik veya görüntüleme verileri eksik olan, endovasküler girişim uygulanmayan, ameliyat öncesinde şiddetli nörolojik defisitleri bulunan (modifiye Rankin Ölçeği skoru ≥4), ameliyat öncesi difüzyon ağırlıklı görüntülemede akut serebral enfarktüs saptanan, Kidney Disease: Improving Global Outcomes (KDIGO) kriterlerine göre G4 veya daha üst evre kronik böbrek hastalığı olan veya şiddetli kardiyovasküler hastalığı olan hastalar çalışma dışı bırakılmıştır. Dahil etme ve hariç tutma kriterleri sırasıyla uygulanmıştır. İlk elektronik aramadan sonra, uygunluğu onaylamak ve geçerli olduğunda hariç tutulma nedenini belgelemek için her bir aday kayıt manuel olarak incelenmiştir. Tarama sonrasında, uygun hastalar; bir eğitim kohortu (n = 128) ve bir test kohortu (n = 33) olmak üzere 8:2 oranında eğitim ve test kohortlarına rastgele atanmıştır. İki kohort arasında CIE ve non-CIE vakalarının tutarlı bir dağılımını korumak için tabakalı rastgele örnekleme kullanılmıştır.

CIE tanısı, temel olarak semptomların başlangıcı ile serebrovasküler girişim prosedürleri arasındaki zamansal ilişkiye ve buna eşlik eden dışlayıcı görüntüleme değerlendirmelerine dayandırılmıştır. İki bağımsız serebrovasküler girişim uzmanı, tüm şüpheli vakalar için ameliyat sonrası klinik kayıtları, semptom başlangıç zamanını, nörolojik belirtileri ve ameliyat sonrası görüntüleme bulgularını incelemiştir. Görüş ayrılıkları, fikir birliğine varılana kadar yapılan tartışmalar yoluyla çözülmüştür. Nörogirişimsel prosedürün tamamlanmasından sonraki 24 saat içinde yeni gelişen kortikal körlük, bilinç değişikliği (somnolans, deliryum veya koma dahil), nöbet veya hemiparez veya afazi gibi fokal nörolojik defisitlerin ortaya çıkması durumunda hastalar CIE ile uyumlu kabul edilmiştir.

Semptomların başlangıcından sonra, benzer nörolojik bulgular oluşturabilecek alternatif nedenler, klinik seyirle birlikte postoperatif CT veya MRI görüntüleri incelenerek dışlanmıştır. Postoperatif kafa CT'si, kurumun standart kontrastsız kranial CT protokolü kullanılarak gerçekleştirilmiştir. Temel görüntüleme parametreleri; 80 kVp tüp voltajı, 260 mA tüp akımı, 0.5 mm kesit kalınlığı ve standart aksiyel rekonstrüksiyonu içermektedir. Görüntüler, deneyimli klinisyenler tarafından beyin ve kemik pencerelerinde incelenmiştir. Ayırıcı tanı sırasında akut intrakranial kanama, subaraknoid kanama, intraserebral kanama, yeni gelişmiş geniş alanlı serebral enfarktüs, nöbetle ilişkili değişiklikler, enfeksiyon ve metabolik bozukluklar değerlendirilmiştir. Semptom sonrası CT incelemeleri tipik olarak, hemorajik lezyonları taklit eden, korteksi, subkortikal bölgeleri veya subaraknoid alanı etkileyen fokal veya diffüz serebral ödem ve yüksek yoğunluklu gölgeler göstermiştir. MRI bulguları genellikle, özellikle temporoparietal oksipital korteksi etkileyen kortikal şişme göstermektedir. Ancak bazı hastalarda, uyumlu klinik belirtilere rağmen CT veya MRI incelemelerinde belirgin bir anormallik görülmemiştir.

Perioperatif değişkenlerin elde edilmesi ve CGR oluşturulması

Yaş, cinsiyet ve vücut ağırlığı dahil olmak üzere genel demografik veriler, elektronik tıbbi kayıt sistemindeki yapılandırılmış alanlardan çekilmiştir. Sigara geçmişi, alkol tüketim geçmişi, hipertansiyon, diabetes mellitus ve koroner kalp hastalığı dahil olmak üzere klinik öykü değişkenleri; yatış notlarından, geçmiş tıbbi kayıtlarından ve taburculuk tanılarından alınmış ve tutarlılık açısından çapraz kontrol edilmiştir. Laboratuvar verileri, laboratuvar bilgi sisteminden alınmıştır. Her hasta için, yatıştan sonra ve nörointervensiyonel işlemden önce alınan ilk venöz kan örneği kullanılmıştır. Çekilen laboratuvar değişkenleri arasında serum kreatinin, tahmini glomerüler filtrasyon hızı (eGFR), toplam kolesterol ve trigliserid düzeyleri yer almıştır. eGFR, Kronik Böbrek Hastalığı Epidemiyoloji İşbirliği (CKD-EPI) kreatinin bazlı denklemi kullanılarak hesaplanmış ve hastane laboratuvar bilgi sisteminden elde edilmiştir.

Prosedürle ilgili karmaşıklık, kontrast maddeye maruz kalma ve lezyon konumu, nörointervasiyonel prosedürler sırasında kan-beyin bariyeri bozulmasını ve kontrast madde tutulumunu etkileyebileceği için, perioperatif prosedür değişkenleri de öngörücü çerçeveye dahil edilmiştir. Prosedürle ilgili değişkenler arasında lezyon konumu, prosedür tipi, prosedür süresi, kontrast madde tipi ve toplam kontrast hacmi yer almıştır. Lezyon konumu ve prosedür tipi, ameliyat raporları ve anjiyografik kayıtlardan belirlenmiştir. Prosedür süresi, arteriyel ponksiyondan nörointervasiyonel prosedürün tamamlanmasına kadar geçen süre olarak tanımlanmıştır. Toplam kontrast hacmi, prosedürün başlangıcından sonuna kadar uygulanan iyotlu kontrast maddenin kümülatif hacmi olarak tanımlanmıştır. Bu çalışmada kullanılan kontrast maddeler, kurumsal klinik uygulamalara göre uygulanan iodixanol (320 mg iyot/mL) dahil olmak üzere noniyonik ICA'lardır. Bu çalışmaya dahil edilen tüm nörointervasiyonel prosedürler, çalışma merkezindeki deneyimli bir nörointervasiyonel ekip tarafından dijital subtraksiyon anjiyografi kılavuzluğunda gerçekleştirilmiştir. Tüm prosedürler transfemoral arteriyel yaklaşım kullanılarak yapılmıştır. Girişim sırasında hastalara intraoperatif olarak heparin ile antikoagülasyon uygulanmış ve aktive clotting süresi 250–300 s hedef aralığında tutulmuştur. Prosedür boyunca yaşam bulguları sürekli olarak izlenmiştir.

Anevrizma embolizasyonu, anjiyoplasti ve stent yerleştirme dahil olmak üzere terapötik girişimler, lezyon özelliklerine ve operatör değerlendirmesine göre gerçekleştirildi. Prosedürel gereksinimlere uygun mikrokateterler, coil'ler, stentler veya balonlar seçildi. Anjiyografik görüntüleme ve girişim sırasında kontrast maddeler, ya yüksek basınçlı enjeksiyon ya da manuel sabit hızda infüzyon yoluyla uygulandı. Kontrast madde tipi ve toplam kontrast hacmi prosedür kayıtlarından çıkarıldı ve mevcut olduğunda anestezi veya hemşirelik kayıtlarıyla çapraz kontrol edildi. Tutarsız veya eksik kontrast hacmi bilgisi içeren kayıtlar, nihai analitik veri setine dahil edilmeden önce manuel olarak incelendi.

İşlem süresi, terapötik müdahale tipi, cihaz kullanımı ve kontrast madde uygulama kayıtları dahil olmak üzere prosedürle ilgili tüm değişkenler, analizden önce eksiksizlik ve tutarlılık açısından sistematik olarak gözden geçirilmiş ve doğrulanmıştır. Kontrast madde yükü ile renal klirens kapasitesi arasındaki dengesizliği nicel olarak değerlendirmek için CGR temel bir öngörücü değişken olarak belirlenmiş ve aşağıdaki denklemle hesaplanmıştır:

(1)

Toplam kontrast hacmi mL cinsinden ve eGFR mL/min/1.73 m² cinsinden kaydedildi. CGR hesaplaması için kullanılan eGFR değeri, yatış sonrası ve nörointervansiyonel işlem öncesinde alınan ilk venöz kan örneğinden elde edilen preoperatif eGFR değeriydi. Her hasta için CGR, hem toplam kontrast hacmi hem de eGFR doğrulandıktan sonra hesaplandı. Pay toplam kontrast hacmi (mL), payda ise eGFR (mL/min/1.73 m²) olarak belirlendi. Model geliştirme öncesinde tüm hastalara aynı hesaplama kuralı uygulandı.

Özellik seçimi ve ML iş akışı

Analitik sağlamlığı sağlamak amacıyla, tüm klinik ve laboratuvar değişkenleri analizden önce sistematik kalite kontrol prosedürlerinden geçirilmiştir. Model geliştirme öncesinde her bir aday değişken için eksik veri oranı hesaplanmıştır. Nihai analitik veri setinde, dahil edilen prediktörler veya sonuç etiketleri arasında herhangi bir eksik değere rastlanmamıştır; bu nedenle, eksiklik nedeniyle hiçbir değişken hariç tutulmamış ve çoklu imputasyon gerekmemiştir. Ayrıntılı eksik veri özeti Ek Tablo 1'de sunulmuştur.

Tüm aday tahmin değişkenleri, başlangıçta CIE oluşumu ile olan ilişkilerini değerlendirmek amacıyla tek değişkenli analizler kullanılarak değerlendirilmiştir. İstatistiki yöntemler, verilerin dağılım özelliklerine göre seçilmiştir. Normal dağılım gösteren değişkenler ortalama ± standart sapma olarak ifade edilmiş ve bağımsız örneklem t-testi kullanılarak karşılaştırılmıştır. Normal olmayan dağılıma sahip değişkenler medyan (interkuartil aralık, IQR) olarak ifade edilmiş ve Mann–Whitney U testi kullanılarak analiz edilmiştir. Kategorik değişkenler frekans ve yüzde olarak sunulmuş; ki-kare testi veya Fisher'ın kesin testi kullanılarak analiz edilmiştir. İstatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır.

Model geliştirme öncesinde tüm veri seti, eğitim ve test kohortlarına 8:2 oranında rastgele olarak ayrıldı. Aşırı öğrenmeyi (overfitting) en aza indirmek ve çoklu doğrusal bağımlılığı (multicollinearity) azaltmak amacıyla, öznitelik seçimi için 10 katlı çapraz doğrulama ile birleştirilmiş en küçük mutlak büzülme ve seçme operatörü (LASSO) regresyonu uygulandı. Veri sızıntısını önlemek için öznitelik seçimi, hiperparametre ayarı ve model geliştirme işlemleri yalnızca eğitim kohortu kullanılarak gerçekleştirildi. Dahili test kohortu; atama-parametre kestirimi, öznitelik seçimi, hiperparametre ayarı veya model eğitimi sırasında kullanılmadı ve yalnızca nihai performans değerlendirmesi için bir kez kullanıldı. Hiperparametre optimizasyonu, eğitim kohortu içerisinde 10 katlı çapraz doğrulama ile ızgara arama (grid search) stratejisi kullanılarak yürütüldü. Spesifik olarak, eğitim kohortu rastgele olarak birbirini dışlayan 10 alt kümeye ayrıldı. Her yinelemede dokuz alt küme model eğitimi için, kalan alt küme ise doğrulama için kullanıldı. Bu işlem, her alt kümenin tam olarak bir kez doğrulama kohortu olarak görev yapmasını sağlamak için 10 kez tekrarlandı.

Tüm hesaplamalı analizler bir Python ortamında gerçekleştirilmiştir. ML model geliştirme ve değerlendirme işlemleri scikit-learn kullanılarak yapılmıştır. Veri ön işleme, özellik seçimi, model eğitimi, performans değerlendirmesi ve DCA için kullanılan analiz betikleri ek kod dosyaları olarak sunulmuştur. Model uygulaması için, LASSO regresyonundan seçilen özellikler tüm aday sınıflandırıcılar için giriş değişkenleri olarak kullanılmıştır. Sürekli değişkenler, eğitim kohortu içinde z-skor normalizasyonu kullanılarak standartlaştırılmış ve aynı ölçeklendirme parametreleri internal test kohortuna uygulanmıştır. Kategorik değişkenler önceden tanımlanmış kodlama şemasına göre kodlanmış; değişken tanımları ve kodlama şeması Ek Tablo 2'de verilmiştir. Beş sınıflandırıcı uygulanmıştır: Gaussian Naive Bayes, SVM, KNN, LightGBM ve MLP. SVM için çekirdek türü, düzenlileştirme parametresi C ve çekirdek katsayısı gamma ayarlanmıştır. KNN için komşu sayısı ve mesafe ağırlıklandırma stratejisi ayarlanmıştır. LightGBM için tahminci sayısı, öğrenme oranı, maksimum ağaç derinliği ve yaprak sayısı ayarlanmıştır. MLP için gizli katman yapısı, aktivasyon fonksiyonu, düzenlileştirme parametresi ve öğrenme oranı ayarlanmıştır. Gaussian Naive Bayes, belirtilen varyans yumuşatma ayarı kullanılarak uygulanmıştır. Her model için optimal hiperparametre kombinasyonu, eğitim kohortu içindeki çapraz doğrulama performansına göre seçilmiştir. Her model için seçilen nihai optimize edilmiş hiperparametre kombinasyonları Ek Tablo 3'te özetlenmiştir. Hiperparametre seçiminin ardından, her nihai model tüm eğitim kohortu üzerinde yeniden eğitilmiş ve internal test kohortunda bir kez değerlendirilmiştir.

Model performanslarının karşılaştırılması

Seçilen öngörücülere dayanarak beş ML modeli geliştirilmiş ve karşılaştırılmıştır. Model performansı, hem eğitim hem de test kohortlarında alıcı işletim karakteristik eğrisi altındaki alan (AUC), %95 güven aralığı (%95 CI), duyarlılık, özgünlük ve doğruluk kullanılarak değerlendirilmiştir. Farklı modellerin ayırt edici performanslarını karşılaştırmak için alıcı işletim karakteristik eğrileri oluşturulmuştur. Her bir model için optimal sınıflandırma eşiği, Youden indeksi kullanılarak sadece eğitim kohortu içerisinde belirlenmiştir. Elde edilen eşik değeri daha sonra sabitlenmiş ve eşiğe bağlı performans metriklerinin hesaplanması için iç test kohortuna değiştirilmeden uygulanmıştır.

Karar eğrisi analizi

DCA, bir dizi eşik olasılığı boyunca her bir modelin net faydasının hesaplanmasıyla ve model tabanlı stratejinin iki varsayılan stratejiyle (tüm hastaları tedavi etmek ve hiçbir hastayı tedavi etmemek) karşılaştırılmasıyla gerçekleştirilmiştir. DCA, ayırmadaki performansın ve perioperatif karar verme süreçlerindeki potansiyel klinik uygulanabilirliğin eş zamanlı olarak değerlendirilmesine olanak tanıdığı için seçilmiştir. Tekrarlanabilirliği kolaylaştırmak amacıyla, tüm iş akışı şu sırayla uygulanmıştır: elektronik tıbbi kayıt sisteminden hasta tanımlama, dahil etme ve hariç tutma kriterlerinin uygulanması, iki bağımsız uzman tarafından CIE değerlendirmesi, demografik, klinik öykü, laboratuvar ve prosedürle ilgili değişkenlerin çıkarılması ve çapraz kontrolü, CGR hesaplaması, eksik veri değerlendirmesi ve eğitim-test kohortu ayrımı, eğitim kohortu içinde LASSO tabanlı özellik seçimi, 10 katlı çapraz doğrulama ile hiperparametre ayarı, tüm eğitim kohortunda nihai model yeniden sığdırması, dahili test kohortu değerlendirmesi, ROC tabanlı performans değerlendirmesi, Youden indeksi eşik belirlemesi ve DCA.

Sonuçlar

Hasta kaydı ve CIE belirlenmesi

Bu çalışmaya nöroiন্টারvensiyonel prosedürler uygulanan toplam 161 hasta dahil edilmiştir; bunlardan 12'sinde (%7,5) CIE gelişirken, 149'unda (%92,5) gelişmemiştir. Detaylı hasta tarama ve gruplandırma süreci Şekil 2'de gösterilmektedir. CIE tanısı, semptomların başlangıcı ile nöroiন্টারvensiyonel prosedürler arasındaki zamansal ilişkiye ve buna eşlik eden dışlayıcı görüntüleme bulgularına dayanarak konulmuştur. CIE'nin temsili nörogörüntüleme bulguları Şekil 3A–D'de sunulmuştur.

İki grubun başlangıç demografik, klinik, laboratuvar ve prosedürel özellikleri Tablo 1'de özetlenmiştir. CIE ve non-CIE grupları arasında yaş, cinsiyet dağılımı veya vücut ağırlığı açısından anlamlı bir fark gözlenmemiştir (tümü p > 0.05). Benzer şekilde, hipertansiyon, diabetes mellitus ve koroner kalp hastalığı dahil olmak üzere yaygın komorbiditelerin prevalansı iki grup arasında anlamlı farklılık göstermemiştir (tümü p > 0.05). Alkol tüketimi ve sigara kullanımı gibi yaşam tarzı faktörleri de benzer bulunmuştur.

Buna karşılık, laboratuvar ve prosedürle ilgili birkaç değişken iki grup arasında anlamlı farklılıklar göstermiştir. CIE grubundaki hastaların serum kreatinin düzeyleri, non-CIE grubundakilere göre anlamlı derecede daha yüksekken (medyan: 85.2 vs 65.3 µmol/L, p = 0.004), eGFR değerleri anlamlı derecede daha düşüktü (medyan: 81 vs 102.7 mL/min/1.73 m², p < 0.001). Prosedürel özellikler açısından, embolizasyon prosedürleri CIE grubunda non-CIE grubuna göre anlamlı derecede daha sıktı (%41.7 vs %2.0, p < 0.001). Ayrıca, posterior sirkülasyon lezyonları, CIE geliştiren hastalar arasında anlamlı derecede daha yaygındı (%58.3 vs %6.0, p < 0.001). İki grup arasında kullanılan kontrast madde tipi açısından anlamlı bir fark gözlemlenmedi (p = 0.982). Ayrıca, CIE grubundaki hastalar prosedür sırasında anlamlı derecede daha yüksek hacimde kontrast ajan almışlar (medyan: 200.0 vs 165.0 mL, p = 0.005) ve prosedür süreleri daha uzun sürmüştür (medyan: 78.5 vs 50.0 min, p = 0.008). Özellikle, bu çalışmada önerilen kompozit bir indeks olan CGR, CIE grubunda non-CIE grubuna kıyasla anlamlı derecede daha yüksekti (medyan: 2.35 vs 1.63, p < 0.001); bu durum, CGR ile CIE oluşumu arasında güçlü bir ilişki olduğunu göstermektedir.

Perioperatif değişkenlerin elde edilmesi ve CGR oluşturulması

Perioperatif demografik, laboratuvar ve prosedürel değişkenler, protokolde açıklandığı şekilde sistematik olarak toplanmış ve analiz edilmiştir. Bu değişkenler arasında, toplam kontrast hacminin eGFR'ye oranı olarak tanımlanan CGR, kontrast maddeye maruz kalma ile renal klirens kapasitesi arasındaki dengeyi yansıtan kompozit bir gösterge olarak oluşturulmuştur. CGR, bu kohortta CIE gelişimi ile ilişkilendirilmiş ve öznitelik seçimi ile model geliştirme analizleri için aday bir öngörücü olarak dahil edilmiştir. CGR'yi bireysel bileşenleriyle karşılaştırmak için CGR, toplam kontrast hacmi ve eGFR kullanılarak karşılaştırmalı bir ROC analizi gerçekleştirilmiştir. CGR; toplam kontrast hacmi (AUC = 0,745, %95 CI: 0,559–0,886) ve ters risk yönünde analiz edilen eGFR (AUC = 0,865, %95 CI: 0,764–0,951) ile karşılaştırıldığında, 0,959'luk bir AUC (%95 CI: 0,924–0,985) ile CIE için en yüksek ayırt edici yeteneği göstermiştir. CGR ile toplam kontrast hacmi arasındaki AUC farkı 0,214, CGR ile eGFR arasındaki AUC farkı ise 0,093 olarak belirlenmiştir. Detaylı sonuçlar Ek Tablo 4'te sunulmuştur.

Öznitelik seçimi ve ML iş akışı

Çoklu doğrusallığı minimize ederken en ilgili öngörücüleri belirlemek amacıyla, aday değişkenlere 10 katlı çapraz doğrulamalı LASSO regresyonu uygulanmıştır. LASSO modelinin katsayı profili ve çapraz doğrulama eğrileri şunlarda sunulmuştur: Şekil 4A ve Şekil 4Bsırasıyla. Final modelin LASSO katsayısı sıralaması şurada sunulmuştur: Şekil 5. Optimal düzeyde λ değer, CGR, prosedür tipi, lezyon konumu, trigliserid düzeyleri, serum kreatinin, eGFR ve çeşitli klinik kovaryatlar dahil olmak üzere değişkenlerin bir alt kümesi tutulmuştur. Tutulan prediktörlerin LASSO katsayılarına dayalı nicel sıralaması şurada verilmiştir: Ek Tablo 5.

Model performanslarının karşılaştırılması

CIE riskini tahmin etmek için beş ML yaklaşımı—Naive Bayes, SVM, KNN, LightGBM ve MLP—geliştirilmiştir. Bu modellerin eğitim ve test setlerindeki performansları Tablo 2'de özetlenmiş, beş modelin doğruluk karşılaştırması Şekil 6'da gösterilmiş ve ilgili konfüzyon matrisleri Ek Şekil 1, Ek Şekil 2, Ek Şekil 3, Ek Şekil 4 ve Ek Şekil 5'te sunulmuştur. Veri seti, 12 CIE vakası ve 149 non-CIE vakası ile belirgin şekilde dengesiz olduğundan, doğruluk ve eşik tabanlı metrikler; duyarlılık, özgünlük, AUC ve güven aralıkları ile birlikte ihtiyatla yorumlanmalıdır. Eğitim setinde tüm modeller, 0.961–0.999 arasında değişen AUC değerleri ile iyi ayırıcı yetenek sergilemiştir. Dahili test setinde, Naive Bayes modeli en yüksek sayısal değeri (AUC = 0.952, 95% CI: 0.843–1.000) göstermiş, onu LightGBM (AUC = 0.944, 95% CI: 0.822–1.000) ve SVM (AUC = 0.935, 95% CI: 0.796–1.000) takip etmiştir.

Youden indeksi ile belirlenen optimal sınıflandırma eşiğinde, Naive Bayes modeli %100 duyarlılık ve %90,3 özgüllük sağlamıştır. Model AUC'leri arasında resmi ikili istatistiksel karşılaştırmalar yapılmadığı için, modeller arasında gözlemlenen farklar tanımlayıcı ve keşfedici olarak yorumlanmalıdır. Ayrıca, veri seti belirgin şekilde dengesiz olduğu ve dahili test kohortunun çok sınırlı sayıda CIE olayıyla küçük olduğu için, duyarlılık ve özgüllük gibi eşik tabanlı metrikler kararsız olabilir ve dikkatle yorumlanmalıdır. Naive Bayes modelinin eğitim ve test setlerindeki alıcı işletim karakteristiği (ROC) eğrileri Şekil 7'de sunulmuştur.

MLP modeli eğitim setinde iyi performans göstermiş olsa da (AUC = 0.961), test setindeki performansı önemli ölçüde düşmüş (AUC = 0.742) ve bu durum potansiyel bir aşırı öğrenmeye (overfitting) işaret etmiştir. Benzer şekilde, KNN modeli test setinde geniş bir güven aralığı ile sınırlı bir ayırt etme yeteneği sergilemiş (AUC = 0.718), bu da kararsızlığı göstermiştir. Duyarlılık, özgünlük ve doğruluk dahil olmak üzere eşik değerine bağlı metrikler için optimal sınıflandırma eşiğini belirlemek amacıyla Youden indeksi tabanlı strateji kullanılmıştır. ROC-AUC değerlerinin kendileri eşikten bağımsızdır. Bu nedenle, bildirilen eşiğe bağlı performans metrikleri, modelin optimal çalışma noktasındaki davranışını yansıtmaktadır. Optimal Youden eşikleri ve bunlara karşılık gelen eşik tabanlı metrikler Ek Tablo 6'da sunulmuştur. Genel olarak, Naive Bayes modeli, AUC değerindeki sayısal düşüşün minimum düzeyde olmasıyla, eğitim ve dahili test setleri arasında nispeten istikrarlı bir tanımlayıcı performans göstermiştir.

Karar eğrisi analizi

Modellerin klinik faydasını çeşitli eşik olasılıkları üzerinden değerlendirmek için DCA gerçekleştirildi. DCA eğrileri Şekil 8'de gösterilmiştir. Tüm modeller, "herkesi tedavi et" ve "hiç kimseyi tedavi etme" stratejileriyle karşılaştırıldığında, belirli eşik olasılığı aralıklarında pozitif net fayda göstermiştir. Değerlendirilen modeller arasında SVM, pozitif net faydanın en geniş aralığını sergilerken, diğer modeller de belirli eşik aralıklarında potansiyel klinik yararlılık göstermiştir.

VERİ KULLANILABİLİRLİĞİ:

Ana analizleri desteklemek için kullanılan kimliksizleştirilmiş ham veriler GitHub'a yüklenmiş olup şu adreste mevcuttur: https://doi.org/10.5281/zenodo.20043331. Veri paylaşımı öncesinde tüm doğrudan hasta tanımlayıcıları kaldırılmıştır. Bu çalışma, hastane tıbbi kayıtlarına dayalı retrospektif bir klinik çalışma olduğu için, hasta düzeyindeki herhangi bir ek bilgiye erişim, kurumsal etik ve gizlilik gereklilikleri nedeniyle kısıtlı kalmaya devam etmektedir. Ek kimliksizleştirilmiş veriler, makul bir talep üzerine ve kurumsal etik kurulun onayıyla sorumlu yazardan temin edilebilir. Tekrarlanabilirliği desteklemek amacıyla istatistiksel analiz betikleri, ML model eğitim kodları ve şekil oluşturma kodları ek dosyalar olarak sunulmuştur.

Şekil 1: Perioperatif verilere dayalı CIE risk modellemesinin iş akışı. (A) CIE mekanizmaları ve kontrast hacminin eGFR'ye oranının (CGR) türetilmesi. (B) Veri entegrasyonu ve LASSO tabanlı özellik seçimi. (C) ML model geliştirme ve karşılaştırma; Naive Bayes, iç test setinde en yüksek sayısal AUC değerini göstermektedir (AUC ≈ 0.95). Kısaltmalar: CIE = kontrast kaynaklı ensefalopati; CGR = kontrast hacminin eGFR'ye oranı; eGFR = tahmini glomerüler filtrasyon hızı; AUC = eğri altındaki alan. Şekil, yazarların kendi klinik verilerinden türetilmiştir ve şematik illüstrasyon, yazarlar tarafından modifiye edilmiş Microsoft PowerPoint simgeleri kullanılarak oluşturulmuştur. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 2: Hasta seçimi ve kohort tahsisi. Hasta taramasını, uygunluk değerlendirmesini, dışlama kriterlerini ve kohort atamasını gösteren akış şeması. Başlangıçta toplam 225 hasta değerlendirildi. 30 ile 80 yaş arası olma, eksiksiz klinik verilerin mevcut olması ve 3 gün içinde postoperatif baş BT gibi dahil etme kriterleri uygulandıktan sonra 190 hasta uygun bulundu. Akut serebral enfarktüs, kronik böbrek hastalığı evresi ≥ G4 (eGFR < 30 mL/min/1.73 m²), şiddetli kardiyovasküler hastalık, endovasküler tedavinin olmaması, şiddetli nörolojik defisit (modifiye Rankin Ölçeği skoru ≥ 4) veya eksik veriler nedeniyle hastalar dışlandı. Son olarak, 161 hasta çalışmaya dahil edildi ve 8:2 oranında rastgele olarak eğitim kohortuna (n = 128) ve iç test kohortuna (n = 33) ayrıldı. Kısaltmalar: CT = bilgisayarlı tomografi; eGFR = tahmini glomerüler filtrasyon hızı; CKD = kronik böbrek hastalığı; mRS = modifiye Rankin Ölçeği. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 3: CIE olan bir hastadaki seri kontrastsız BT görüntüleri. (A) İşlem öncesi bazal BT. (B) Semptomların başladığı andaki BT, sağ parietal lobda kortikal hiperdensiteyi (ok) göstermektedir. (C) Postoperatif birinci gündeki BT, kısmi düzelmeyi göstermektedir. (D) Postoperatif ikinci gündeki BT, daha fazla düzelme olduğunu göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 4: LASSO tabanlı özellik seçimi. (A) Minimum MSE'ye göre optimal λ'yı belirlemek için kullanılan on katlı çapraz doğrulama eğrisi. (B) Regülarizasyon gücü arttıkça değişken katsayılarındaki değişimleri gösteren, log(λ)'ya karşı çizilmiş aday değişkenlerin katsayı profilleri. Kısaltmalar: LASSO = en küçük mutlak büzülme ve seçim operatörü; λ = regülarizasyon parametresi; MSE = ortalama kare hata. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 5: Seçilen değişkenlerin katsayıları. LASSO seçiminden sonra elde tutulan değişkenlerin katsayılarını gösteren çubuk grafik. Pozitif katsayılar pozitif ilişkiyi; negatif katsayılar ise ters ilişkiyi göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 6: Beş ML modelinin eğitim ve test doğruluğu.Beş ML modelinin (Naive Bayes, SVM, KNN, LightGBM, MLP) eğitim ve test setlerindeki doğruluğu. Kısaltmalar: SVM = destek vektör makinesi; KNN = k-en yakın komşu; LightGBM = hafif gradyan artırma makinesi; MLP = çok katmanlı perceptron. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 7: Naive Bayes modelinin ROC eğrileri. Eğitim ve dahili test kohortları için ilgili eğri altındaki alan değerleri ile birlikte alıcı işletim karakteristik eğrileri. Kısaltmalar: ROC = alıcı işletim karakteristiği; AUC = eğri altındaki alan. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 8: Karar eğrisi analizi. "Hepsini tedavi et" ve "hiçbirini tedavi etme" stratejileriyle karşılaştırıldığında, farklı modellerin eşik olasılıklar genelindeki net faydasını gösteren DCA. Gölgeli bölgeler, modelin hem hepsini tedavi et hem de hiçbirini tedavi etme stratejilerine kıyasla pozitif net fayda sağladığı eşik olasılık aralıklarını belirtir. Kısaltmalar: DCA = karar eğrisi analizi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Ek Şekil 1: Dahili test kohortundaki Naive Bayes modelinin hata matrisi.Matris, seçilen sınıflandırma eşiğindeki doğru ve yanlış sınıflandırılmış örnek sayılarını göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 2: Dahili test kohortundaki SVM modelinin konfüzyon matrisi.Matris, seçilen sınıflandırma eşiğindeki doğru ve yanlış sınıflandırılmış örnek sayılarını göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 3: İç test kohortundaki KNN modelinin konfüzyon matrisi.Matris, seçilen sınıflandırma eşiğinde doğru ve yanlış sınıflandırılan örneklerin sayılarını göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 4: Dahili test kohortunda LightGBM modelinin karışıklık matrisi. Matris, seçilen sınıflandırma eşiğinde doğru ve yanlış sınıflandırılan örneklerin sayılarını göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 5: Dahili test kohortundaki MLP modelinin karmaşıklık matrisi. Matris, seçilen sınıflandırma eşiğinde doğru ve yanlış sınıflandırılan örnek sayılarını göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Karakteristik	CIE ( n = 12 )	Non-CIE ( n = 149 )	p değeri
Demografik Bilgiler
Yaş (yıl), medyan (IQR)	67 (62.5–69.0 )	63 ( 55.0–70.0 )	0.194
Erkek, n (%)	9 (75.0)	105 (70.5)	1.000
Ağırlık (kg), medyan (IQR)	65 (55.0–70.0)	70 (60.0–77.5)	0.160
Komorbiditeler, n (%)
Hipertansiyon	7 (58.3)	102 (68.5)	0.526
Diyabet	4 (33.0)	57 (38.3)	1.000
Koroner kalp hastalığı	2 (16.7)	23 (15.4)	1.000
Alışkanlıklar, n (%)
Alkol Kullanımı	7 (58.3)	78 (52.3)	0.770
Sigara Kullanım Durumu	7 (58.3)	59 (39.6)	0.233
Laboratuvar Değerleri, medyan (IQR)
Serum Kreatinin (μmol/L)	85.2 (65.0–89.0)	65.3 (54.9–75.7)	0.004
eGFR (mL/min/1.73m²)	81.0 (60.6–90.3)	102.7 (89.0–116.3)	<0.001
Toplam Kolesterol (mmol/L)	3.3 (3.0–4.4)	3.4 (2.9–4.1)	0.775
Trigliseridler (mmol/L)	1.8 (1.2–2.1)	1.2 (0.8–1.6)	0.017
Prosedür Karakteristikleri
Prosedür Tipi, n ( % )			<0.001
- Stent Anjiyoplasti	7 (58.3)	146(98.0)
- Embolizasyon	5 (41.7)	3 (2.0)
Lezyon Lokasyonu, n (%)			<0.001
- Posterior Dolaşım	7 (58.3)	9 (6.0)
- Anterior Dolaşım	5 (41.7)	140 (94.0)
Kontrast Madde Tipi, n (%)			0.982
- 2. Nesil	6 (50.0)	75 (50.3)
- 3. Nesil	6(50.0)	74 (49.7)
Toplam Kontrast Hacmi (mL), medyan (IQR)	200 (188.0–200.0)	165 (155.0–180.0)	0.005
Prosedür Süresi (dak), medyan (IQR)	78.5 (52.5–124.5)	50 (47.0–57.0)	0.008
Yeni İndeks
CGR, medyan (IQR)	2.35 (2.17–2.70)	1.63 (1.40–1.85)	<0.001

Tablo 1: Hastaların başlangıç klinik özellikleri. Hastaların demografik, klinik, laboratuvar ve işlemle ilgili özellikleri CIE ve non-CIE grupları arasında karşılaştırılmıştır. Sürekli değişkenler ortalama ± standart sapma veya medyan (interkuartil aralık) olarak, kategorik değişkenler ise sayı ve yüzde olarak sunulmuştur. Gruplar arasındaki istatistiksel karşılaştırmalar, uygun parametrik veya nonparametrik testler kullanılarak gerçekleştirilmiştir. Kısaltmalar: CIE = kontrast maddesinin neden olduğu ensefalopati; eGFR = tahmini glomerüler filtrasyon hızı; CGR = kontrast hacmi/eGFR oranı; IQR = interkuartil aralık; SD = standart sapma.

Model  adı	Doğruluk	AUC	%95 GA	Duyarlılık	Özgüllük	Veri seti
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	eğitim
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	test
SVM	0.992	0.999	0.997–1.000	1.0	0.992	eğitim
SVM	0.879	0.935	0.796–1.000	1.0	0.871	test
KNN	0.891	0.969	0.941–0.997	1.0	0.881	eğitim
KNN	0.939	0.718	0.194–1.000	0.5	0.968	test
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	eğitim
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	test
MLP	0.914	0.961	0.908–1.000	0.9	0.915	eğitim
MLP	0.970	0.742	0.228–1.000	0.5	1.000	test

Tablo 2: Modellerin performans karşılaştırması. Farklı ML modellerinin öngörücü performansı; eğitim ve iç test veri setlerinde doğruluk, eğrinin altındaki alan (AUC), %95 güven aralığı (CI), duyarlılık ve özgüllük kullanılarak değerlendirilmiştir. Kısaltmalar: CI = güven aralığı.

Ek Tablo 1: Model geliştirme öncesi eksik veri değerlendirmesinin özeti. Model geliştirme öncesinde tüm aday öngörücü değişkenler için eksik değerlerin özeti. Dahil edilen değişkenler arasında herhangi bir eksik değere rastlanmamıştır; bu nedenle herhangi bir atama işlemi gerçekleştirilmemiştir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 2: Analitik veri setinin değişken sözlüğü. ML analizine dahil edilen klinik, laboratuvar ve prosedürle ilgili değişkenlerin tanımları, kodlama yöntemleri, değişken kategorileri ve açıklamaları.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 3: ML modelleri için hiperparametre arama alanı ve seçilen parametreler.Her bir ML algoritması için model optimizasyonu sırasında elde edilen aday hiperparametre aralıkları ve optimize edilmiş parametreler özetlenmiştir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 4: CGR ve bireysel bileşenlerinin karşılaştırmalı ROC analizi. CGR'nin ve bireysel bileşenlerinin CIE tahmini için kestirim performansını karşılaştırmak amacıyla alıcı işletim karakteristiği analizi gerçekleştirilmiştir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 5: LASSO katsayılarına dayalı kantitatif özellik sıralaması. Seçilen değişkenler, LASSO regresyonu sonrası katsayı değerlerine göre sıralanmış olup, her bir değişkenin tahmin modelindeki göreceli katkısını ve ilişkinin yönünü göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 6: Eğitim kohortunda belirlenen Youden eşik değerleri ve ilgili sınıflandırma performans metrikleri. Her bir model için optimal eşik değeri, yalnızca eğitim kohortunda Youden indeksi kullanılarak belirlenmiş, ardından sabitlenmiş ve dahili test kohortuna uygulanmıştır. Dahili test kohortundaki doğruluk, duyarlılık ve özgünlük, bu sabit eşik değerleri kullanılarak hesaplanmıştır.Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

CIE, kontrast maddelere maruz kaldıktan kısa bir süre sonra ortaya çıkan akut nörolojik disfonksiyon ile karakterize, nörointervansiyonel prosedürler sonrası görülen nadir ancak potansiyel olarak ciddi bir komplikasyondur. Durum tipik olarak geri dönüşümlü olsa da, bazı vakalarda kalıcı nörolojik defisitlere veya yaşamı tehdit eden sonuçlara yol açabilir; bu da erken risk tanımlamasının önemini vurgulamaktadır^17,18,19,20. Bununla birlikte, CIE'nin altında yatan patofizyolojik mekanizmalar; hastaya özgü faktörler, kontrast madde özellikleri ve prosedürel karakteristikler arasındaki etkileşimleri içeren kompleks ve multifaktöryel bir yapıdadır^{9,10,21,22,23,24}. Bu karmaşıklık, yalnızca tekil klinik değişkenlere veya ampirik yargılara dayalı olarak doğru bir perioperatif risk değerlendirmesi yapmayı son derece zorlaştırmaktadır.

Bu çalışmada, serebrovasküler girişim uygulanan hastalarda CIE riskini tahmin etmek için beş ML modeli oluşturulmuş ve değerlendirilmiştir. Betimsel performans karşılaştırmasının ardından, Naive Bayes modelinin bu çalışmada en dengeli betimsel performansa sahip model olduğu belirlenmiştir. Model ayırma yeteneği açısından Naive Bayes modeli; LightGBM (AUC = 0.944; 95% CI: 0.822–1.000), SVM (SVM; AUC = 0.935; 95% CI: 0.796–1.000), MLP (MLP; AUC = 0.742; 95% CI: 0.228–1.000) ve KNN algoritması (KNN; AUC = 0.718, 95% CI: 0.195–1.000) ile karşılaştırıldığında, internal test kohortunda en yüksek sayısal AUC değerini göstermiştir (AUC = 0.952; 95% CI: 0.843–1.000). Model AUC'leri arasında formal ikili istatistiksel karşılaştırma yapılmadığı için, bu farklılıklar model üstünlüğünün kesin kanıtlarından ziyade betimsel olarak yorumlanmalıdır. KNN ve MLP'nin eğitim setinde iyi performans gösterdiği (sırasıyla AUC = 0.969 ve 0.961), ancak test setinde performanslarının önemli ölçüde düştüğü ve bunun olası bir aşırı öğrenme (overfitting) durumuna işaret ettiği dikkat çekicidir²⁵. Buna karşın, Naive Bayes modeli eğitim ve internal test kohortları arasında benzer betimsel AUC değerleri korumuş (AUC farkı = 0.009), bu da bu veri setinde nispeten istikrarlı bir betimsel performansa işaret etmiştir. Ancak, internal test kohortunun yalnızca 33 hasta ve çok sınırlı sayıda CIE olayını içermesi nedeniyle, bu görünür istikrar ihtiyatla yorumlanmalıdır.

Pratik bir perspektiften bakıldığında, Naive Bayes'in nispeten basit olasılıksal yapısı, özellikle sonuç olaylarının sayısının sınırlı olduğu küçük örneklemli klinik veri setleri için uygun olabilir. Bu çalışmada, Naive Bayes modeli eğitim ve dahili test kohortları arasında nispeten dengeli bir tanımlayıcı performans göstermiştir. Ancak, dahili test kohortunun küçük olması ve çok az sayıda CIE olayı içermesi nedeniyle, bu görünürdeki stabilite ihtiyatla yorumlanmalı ve harici doğrulama gerektirmelidir. Naive Bayes modelinin bu veri setindeki nispeten olumlu tanımlayıcı performansı, basit olasılıksal yapısıyla ve özelliklerin bağımsızlığı varsayımı altında küçük örneklemli ortamlara uygunluğu ile ilişkili olabilir^14,15. Buna karşılık, MLP ve LightGBM gibi daha karmaşık modeller, sınırlı örneklem koşulları altında aşırı öğrenmeye (overfitting) daha yatkındır ve bu durum genelleme yeteneklerini azaltır. Bu bulgular ayrıca, nörointervensiyonel gibi yüksek riskli, klinik odaklı araştırma alanlarında model seçiminin, karmaşık algoritmaların veya tekil performans metriklerinin mutlak üstünlüğünü körü körüne kovalamaktansa stabiliteye, tekrarlanabilirliğe ve klinik uygulanabilirliğe daha fazla önem vermesi gerektiğini göstermektedir. DCA, Naive Bayes modelinin seçilen eşik olasılıklar genelinde net fayda sağlayabileceğini ancak bu bulgunun keşifsel düzeyde kaldığını ve harici doğrulama gerektirdiğini ortaya koymuştur. Dahası, basit yapısı, hesaplama verimliliği ve yorumlanabilirliği, gelecekte keşifsel bir perioperatif risk stratifikasyon modeli olarak değerlendirilmesini destekleyebilir, ancak klinik uygulama öncesinde harici doğrulama gereklidir. Klinik bir perspektiften bakıldığında, bu çalışmadaki CIE insidansı %7,5 olup, önceki raporlarda genel olarak belgelenen %2–5'ten daha yüksektir⁷. Bu tutarsızlık, büyük ölçüde çalışma popülasyonunun yüksek derecede seçici doğasına bağlanabilir: kohort, anevrizma embolizasyonu gibi karmaşık nörointervensiyonel prosedürler geçiren serebrovasküler hastalığı olan hastalara odaklanmıştır. Süper selektif anjiyografi ve lokal yüksek doz tutulumu gibi bu prosedürlerle ilişkili kontrast madde uygulama modelleri arasındaki belirgin farkların yanı sıra daha uzun prosedür süreleri, CIE için kabul görmüş risk faktörleridir^9,10,26. Ayrıca, hastaların daha yüksek olan bazal riski, genel insidans oranını daha da artırmaktadır. Çalışma bulguları, posterior sirkülasyon lezyonlarının ve embolizasyon prosedürlerinin CIE için güçlü öngördürücüler olduğunu vurgulamaktadır. Anatomik olarak posterior sirkülasyon (vertebrobaziler sistem); beyin sapını, serebellumu ve oksipital lobu besler. Oksipital lob, kontrast madde toksisitesine karşı aşırı yüksek hassasiyet gösterir; bu durum, CIE hastalarının sıklıkla kortikal körlükle başvurmasını açıklar. Ek olarak, vertebrobaziler sistemin hemodinamik özellikleri anterior sirkülasyonunkilerden farklıdır ve bu durum, bu kohortta posterior sirkülasyon lezyonları ile CIE arasında gözlemlenen ilişkiyi kısmen açıklayabilir.

Embolizasyon prosedürleri tipik olarak basit anjiyoplastiden daha zorludur; coil'lerin konumunu ve trombus oklüzyonunun kapsamını doğrulamak için sık sık süper selektif anjiyografi gerektirir, bu da rutin prosedürlere kıyasla birim zaman başına yerel vasküler yatağa anlamlı derecede daha yüksek bir pik kontrast madde maruziyetine neden olur. Bu yoğun ve lokalize kontrast maruziyeti, mevcut retrospektif çalışmada doğrudan doğrulanamamış olsa da, KKB bozulmasına biyolojik olarak makul bir katkıda bulunabilir. Bazal karakteristik analizleriyle tutarlı olarak, CIE grubundaki hastalar, CIE olmayan gruba kıyasla anlamlı derecede daha yüksek embolizasyon tedavi oranlarına ve daha yüksek oranda posterior sirkülasyon lezyonlarına sahipti; bu durum, cerrahi karmaşıklığın ve lezyonun anatomik konumunun CIE oluşumuyla ilişkili olabileceğini düşündürmektedir. Ayrıca, CIE grubundaki daha uzun prosedür süresi ve daha yüksek toplam kontrast madde kullanımı, cerrahiyle ilişkili stres faktörlerinin CIE gelişme riski üzerindeki kümülatif etkisini daha da vurgulamaktadır.

Modelin klinik yorumlanabilirliğini artırmak amacıyla, bu çalışmada CGR keşifsel bir kompozit indeks olarak değerlendirilmiştir. CIE oluşma riski, yalnızca serebral vaskülatüre giren kontrast maddenin mutlak dozuna değil, aynı zamanda kontrast maddenin sistemik dolaşımdan temizlenme hızına da yakından bağlıdır. CGR, toplam kontrast hacmini ve eGFR'yi, renal temizleme kapasitesine oranla kontrast madde yükünü yansıtan tek bir kompozit indekste birleştirir. Bu tasarım yaklaşımı, kontrast madde hacminin eGFR'ye oranı²⁷ gibi kontrastla ilişkili nefropatiyi (CIN) öngörmek için kullanılan iyi tanımlanmış oran tabanlı paradigmadan yararlanmaktadır ve hastalıkların temelindeki patofizyolojik durumları ortaya çıkarmayı amaçlayan nötrofil-lenfosit oranı (NLR)²⁸ ve trigliserid-glukoz indeksi (TyG)²⁹ gibi kapsamlı biyobelirteçler oluşturmaya yönelik güncel stratejilerle uyumludur. İyotlu kontrast maddeler öncelikle böbrekler tarafından orijinal formlarında ekskrete edilir. Renal temizlenme azaldığında, iyotlu kontrast maddelere olan sistemik maruziyet uzayabilir ve bu durum endotelin kontrast maddelere maruz kalmasını artırabilir. Nörointervansiyonel işlemler sırasında, kontrast maddeler genellikle internal karotis veya vertebral arterler aracılığıyla yüksek konsantrasyonlarda doğrudan serebral dolaşıma enjekte edilir; lokal olarak aşırı ozmotik basınç gradyanı KKB bütünlüğünü bozabilir³⁰. Bu noktada, eğer sistemik temizlenme bozulmuşsa, kan akımında biriken kontrast madde KKB boyunca bir konsantrasyon gradyanını sürdürmeye devam ederek kontrast maddenin beyin interstisiyel boşluğuna difüzyonunu tetikleyebilir. Ayrıca CGR, kontrast yükü ve renal temizlenmeyi entegre etmek için klinik olarak sezgisel bir yol sunabilir, ancak tek başına kontrast hacmi veya eGFR'ye göre ek öngörücü değeri daha fazla doğrulanmaya muhtaçtır. Bu nedenle CGR, perioperatif CIE risk stratifikasyonu için keşifsel bir indeks olarak hizmet edebilir.

Bu çalışma, kontrast madde tipinin (ikinci nesil düşük osmolar ile üçüncü nesil izo-osmolar) CIE için anlamlı bir bağımsız öngörücü değere sahip olmadığını saptamıştır (p = 0,982). Bu bulgu, bazı önceki raporlarla tamamen tutarlı değildir. Olası bir açıklama, kimyasal toksisite veya viskozite gibi osmolarite dışındaki faktörlerin kontrast madde nörotoksisitesine katkıda bulunabileceği olabilir; ancak bu yorum spekülatif kalmaktadır ve daha fazla mekanistik doğrulamaya ihtiyaç duymaktadır. Bu yorum, önceki klinik ve mekanistik çalışmalarla desteklenmektedir^31,32. Ayrıca, klinik uygulamada operatörler, yüksek riskli hastalar için tercihen üçüncü nesil izo-osmolar kontrast maddeleri seçebilirler; bu durum, çeşitli kontrast madde tipleri arasındaki olası temel farkları maskeleyebilecek endikasyonla ilişkili potansiyel bir karıştırıcı yanlılık ortaya çıkarabilir.

Bu iş akışının başarılı bir şekilde uygulanması için birkaç kritik protokol adımı vurgulanmalıdır. İlk olarak, hatalı CIE sınıflandırması model eğitimini ve değerlendirmesini doğrudan etkileyeceği için titiz bir sonuç değerlendirmesi esastır. Şüpheli CIE vakaları; kontrast maruziyeti ile semptom başlangıcı arasındaki zamansal ilişki, nörolojik belirtiler, ameliyat sonrası görüntüleme bulguları ve alternatif tanıların dışlanması kullanılarak değerlendirilmelidir. İkinci olarak, toplam kontrast hacmi ve eGFR'nin doğru şekilde çıkarılması ve doğrulanması önemlidir çünkü bu iki değişken CGR hesaplamasını belirler. Üçüncü olarak, hem toplam kontrast hacmi hem de eGFR onaylandıktan sonra CGR, tüm hastalar için aynı kural kullanılarak hesaplanmalıdır. Dördüncü olarak, veri sızıntısını önlemek amacıyla öznitelik seçimi, atama parametresi tahmini, hiperparametre ayarı ve model eğitimi yalnızca eğitim kohortu içinde gerçekleştirilmelidir. Son olarak, CIE nadir görüldüğü ve olay sayısı sınırlı olduğu için model performansı dikkatle yorumlanmalı ve klinik uygulamadan önce harici olarak doğrulanmalıdır³³.

Bu iş akışı diğer ortamlarda uygulanırken çeşitli yöntem modifikasyonları ve sorun giderme stratejileri de göz önünde bulundurulmalıdır. Eksik veri oranı yüksekse, araştırmacılar öncelikle eksikliğin rastgele olup olmadığını belirlemeli ve aşırı eksikliğe sahip değişkenlerin imputasyonundan kaçınmalıdır. CIE olay sayısı çok düşükse, model karmaşıklığı azaltılmalı ve aşırı uyumu (overfitting) önlemek için daha basit veya cezalandırılmış (penalized) modeller tercih edilmelidir. İş akışı başka bir merkeze uygulanacaksa; model eğitimi öncesinde değişken tanımları, kodlama kuralları, eGFR hesaplama yöntemleri, kontrast hacmi kayıt uygulamaları ve görüntüleme inceleme kriterleri harmonize edilmelidir. Dahili veya harici doğrulama sırasında model performansı düşerse; sınıf dengesizliği, veri sızıntısı, tutarsız ön işleme, kararsız özellik seçimi ve hasta vaka karmasındaki farklılıklar gibi potansiyel nedenler incelenmelidir. CIE tanısının belirsiz olduğu vakalar için, model geliştirme öncesinde deneyimli birden fazla klinisyen tarafından hakem değerlendirmesi yapılması ve alternatif tanıların dikkatle dışlanması önerilir.

Bu çalışmanın şu sınırlamaları bulunmaktadır: Birincisi, bu çalışma sınırlı sayıda CIE vakası içeren tek merkezli retrospektif bir tasarım benimsemiştir. Dahil edilen 161 hasta arasında yalnızca 12 CIE vakası görülmüş ve internal test kohortu, çok sınırlı sayıda CIE vakası içeren sadece 33 hastadan oluşmuştur. Bu nedenle, AUC, sensitivite ve spesifite gibi performans metrikleri istikrarsız olabilir ve yalnızca bir veya iki vakanın sınıflandırılmasına karşı yüksek düzeyde hassasiyet gösterebilir. Gelecekte, modelin güvenilirliğini daha fazla teyit etmek için çok merkezli, geniş örneklemli prospektif çalışmalar aracılığıyla eksternal validasyon gerekecektir. İkincisi, bu çalışmada geliştirilen model temel olarak cerrahi öncesinde ve sırasında toplanan rutin klinik değişkenlere dayanmaktadır. Gelecekte, daha dinamik ve kapsamlı bir CIE risk tahmin sistemi oluşturmak için intraoperatif kontrast madde kinetik parametrelerini, erken postoperatif görüntüleme özelliklerini ve seruma özgü biyobelirteçleri daha fazla entegre edebiliriz. Üçüncüsü, CIE'nin düşük insidansı (%7,5), yalnızca 12 CIE vakası ve 149 non-CIE vakası ile belirgin bir sınıf dengesizliğine yol açmıştır. Bu dengesizlik, model performans metriklerinin güvenilirliğini azaltabilir. Non-CIE sınıfının veri setine hakim olduğu durumlarda doğruluk (accuracy), model performansını olduğundan yüksek gösterebilir; sensitivite, spesifite, pozitif öngörü değeri ve negatif öngörü değeri ise çok az sayıda CIE vakasından etkilendikleri için istikrarsız olabilir. Bu nedenle, önerilen model şu an için kesin bir klinik karar verme aracından ziyade, keşifsel bir risk sınıflandırma çerçevesi olarak değerlendirilmelidir. Mevcut çalışmada CIE vakalarının sayısı çok sınırlı olduğu için ek tekrarlamalı çapraz doğrulama veya yeniden örneklemeye dayalı validasyon yapılmamıştır; çünkü bu tür analizler belirgin sınıf dengesizliği altında hala istikrarsız tahminler verebilir. Klinik uygulamadan önce çok merkezli eksternal validasyon ve prospektif değerlendirme gereklidir.

Özetle, bu çalışma birkaç ML modelini sistematik olarak karşılaştırmış ve mevcut veri setinde CIE tahmini için Naive Bayes modelinin en dengeli tanımlayıcı performansı gösterdiğini saptamıştır. Bu model, perioperatif risk sınıflandırması için ön destek sağlayabilir, ancak klinik faydası daha fazla doğrulama gerektirmektedir. Ayrıca bu çalışma, “kontrast madde yükü ve renal klirens” arasındaki dengesizliği nicelleştiren keşifsel bir bileşik metrik olan CGR'yi değerlendirmiştir. CGR, modeldeki en etkili öngördürücülerden biri olarak ortaya çıkmış olup bireyselleştirilmiş perioperatif risk değerlendirmesi için faydalı bilgiler sağlayabilir. Bu bulgular, nörointervansi̇yonel prosedürler uygulanan yüksek riskli hastaların belirlenmesine yönelik hipotezler oluşturmaya yardımcı olabilir, ancak daha geniş örneklemler ve harici doğrulama ile yapılacak ek çalışmalara ihtiyaç vardır. Multimodal öngörücü modellerin CIE risk sınıflandırmasını iyileştirip iyileştiremeyeceğini ve bu komplikasyonun daha kesin önlenmesini ve yönetimini destekleyip destekleyemeyeceğini belirlemek için daha geniş örneklemler ve harici doğrulama içeren gelecek çalışmalara ihtiyaç duyulmaktadır.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Elektronik tıbbi kayıt sistemi	Northern Theater General Hospital	Kurumsal klinik sistem	Retrospektif veri çıkarımı için kullanıldı Demografik ve klinik öykü değişkenlerinin toplanması
Laboratuvar bilgi sistemi	Northern Theater General Hospital	Kurumsal laboratuvar sistemi	Retrospektif laboratuvar verisi çıkarımı için kullanıldı Serum kreatinin, eGFR, lipid profili ve diğer laboratuvar verilerinin toplanması
Dijital subtraksiyon anjiyografi sistemi	Philips	Allura Xper FD 20 (Interventional Workstation R1.3.2 ile)	Rutin klinik prosedürler sırasında kullanıldı Nörogirişimsel işlem ve kontrast kullanımı kaydı
BT Tarayıcı	Philips	Ingenuity CT	Postoperatif görüntüleme değerlendirmesi için kullanıldı Postoperatif kranial BT değerlendirmesi
OnekeyAI yapılandırılmış veri analiz platformu	OnekeyAI	20240916	Araştırma aracı olarak kullanıldı; klinik karar verme sürecinde rolü yoktur Yapılandırılmış veri ön işleme, model oluşturma, model değerlendirme ve şekil oluşturma
Python	Python Software Foundation	3.7.12	Açık kaynaklı programlama dili Veri ön işleme, istatistiksel analiz, model geliştirme ve görselleştirme
scikit-learn	scikit-learn geliştiricileri	1.0.2	Açık kaynaklı Python makine öğrenimi kütüphanesi LASSO, Naive Bayes, SVM, KNN, MLP, ROC analizi ve performans metrikleri