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.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Araştırma makalesi
Nörogirişimsel İşlemler Sonrası Kontrast Madde Kaynaklı Ensefalopatinin Makine Öğrenmesi ile Öngörülmesi
* These authors contributed equally
Bu makalede
Özet
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 olmuştur3,4,5,6,7. 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 içerir4,5,6. 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 sonuçlanabilir4,7. 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 oluşturabilir8,9,10,11. Ancak, tahmin doğruluğu peşinden koşulurken, bu algoritmaların yorumlanabilirlik eksikliği ile karakterize edilen "kara kutu" doğası, tıbbi karar verme sürecindeki güvenilirlik konusunda sıklıkla endişelere yol açmaktadır12,13. Buna karşılık, Naive Bayes algoritması, basit olasılıksal mantığı ve doğal yorumlanabilirliği ile küçük örneklemli klinik çalışmalarda benzersiz avantajlar göstermektedir14,15. 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.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
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 veri çıkarımını, kimliksizleştirilmesini, analizini ve yayınlanmasını kapsamaktadır. 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 retrospektif nörointervansiyonel 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 Beyin Cerrahi Bölümünde tedavi gören hastalar için elektronik tıbbi kayıt sistemi sorgulanarak belirlenmiştir. İlk arama; yatış tarihi, bölüm, serebrovasküler hastalık tanısı ve nörogirişimsel prosedür kayıtları ile sınırlandırılmıştır. Detaylı hasta tarama ve kohort tahsis iş akışı Şekil 2'de gösterilmiştir. Hastalar, aşağıdaki kriterlerin tamamını karşılamaları durumunda dahil edilmeye uygun kabul edilmiştir: (1) yaşın 30 ile 80 arasında olması; (2) nörogirişimsel değerlendirme veya tedavi gerektiren serebrovasküler hastalık tanısı; (3) eksiksiz klinik kayıtların ve laboratuvar testi sonuçlarının mevcut olması; ve (4) cerrahi işlemden sonraki 3 gün içinde baş BT incelemesinin yapılmış olması.
Klinik veya görüntüleme verileri eksik olan, endovasküler girişim uygulamayan, ameliyat öncesi ciddi nörolojik defisitleri olan (modifiye Rankin Ölçeği skoru ≥4), ameliyat öncesi difüzyon ağırlıklı görüntülemede akut serebral enfarktüs saptanan, Kidney Disease: Improving Global Outcomes (KDIGO) kriterlerine göre evre G4 veya daha yüksek kronik böbrek hastalığı olan veya ciddi kardiyovasküler hastalığı olan hastalar çalışma dışı bırakılmıştır. Dahil etme ve hariç tutma kriterleri sırayla uygulanmıştır. İlk elektronik taramanın ardından, her bir aday kayıt, uygunluğu doğrulamak ve gerektiğinde hariç tutulma nedenini belgelemek için manuel olarak incelenmiştir. Tarama sonrasında, uygun hastalar 8:2 oranında eğitim ve test kohortlarına rastgele atanmış olup; bu gruplar bir eğitim kohortu (n = 128) ve bir test kohortu (n = 3) şeklinde oluşturulmuştur. İki kohort arasında CIE ve non-CIE vakalarının tutarlı bir dağılımını sürdürmek için tabakalı rastgele örnekleme yöntemi kullanılmıştır.
CIE tanısı, temel olarak semptomların başlangıcı ile serebrovasküler girişim prosedürleri arasındaki zamansal ilişkiye ve buna eşlik eden dışlayıcı görüntüleme değerlendirmesine dayandırılmıştır. İki bağımsız serebrovasküler girişim uzmanı, şüphelenilen tüm vakalar için ameliyat sonrası klinik kayıtları, semptom başlangıç zamanını, nörolojik belirtileri ve ameliyat sonrası görüntüleme bulgularını incelemiştir. Görüş ayrılıkları, fikir birliğine varılana kadar tartışma yoluyla çözülmüştür. Nörogirişimsel prosedür tamamlandıktan sonraki 24 saat içinde yeni gelişen kortikal körlük, bilinç değişikliği (somnolans, deliryum veya koma dahil), nöbet veya hemiparez veya afazi gibi fokal nörolojik defisitler meydana gelen hastalar CIE ile uyumlu kabul edilmiştir.
Semptomların başlamasından sonra, klinik seyirle birlikte postoperatif BT veya MRI görüntüleri incelenerek benzer nörolojik belirtilere yol açabilecek alternatif nedenler dışlanmıştır. Postoperatif kafa BT, kurumun standart kontrastsız kranial BT protokolü kullanılarak gerçekleştirilmiştir. Temel görüntüleme parametreleri arasında 80 kVp tüp voltajı, 260 mA tüp akımı, 0.5 mm kesit kalınlığı ve standart aksiyel rekonstrüksiyon yer almıştır. Görüntüler, deneyimli klinisyenler tarafından beyin ve kemik pencerelerinde incelenmiştir. Ayırıcı tanı sırasında akut intrakranial kanama, subaraknoid kanama, intraserebral kanama, yeni gelişen geniş alanlı serebral enfarktüs, nöbetle ilişkili değişiklikler, enfeksiyon ve metabolik bozukluklar değerlendirilmiştir. Semptom sonrası BT 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 BT veya MRI incelemelerinde belirgin bir anormallik saptanmamıştır.
Perioperatif değişkenlerin elde edilmesi ve CGR oluşturulması
Yaş, cinsiyet ve vücut ağırlığı dahil olmak üzere genel demografik veriler, elektronik tıbbi kayıt sistemindeki yapılandırılmış alanlardan çıkarılmıştır. Sigara öyküsü, alkol tüketim öyküsü, hipertansiyon, diabetes mellitus ve koroner kalp hastalığı dahil olmak üzere klinik öykü değişkenleri; yatış notlarından, geçmiş tıbbi kayıtlarından ve taburculuk tanılarından çıkarılmış ve tutarlılık açısından çapraz kontrol edilmiştir. Laboratuvar verileri, laboratuvar bilgi sisteminden alınmıştır. Her hasta için, yatıştan sonra ve nörointervansiyonel işlemden önce alınan ilk venöz kan örneği kullanılmıştır. Çıkarılan laboratuvar değişkenleri arasında serum kreatinin, tahmini glomerüler filtrasyon hızı (eGFR), toplam kolesterol ve trigliserid seviyeleri yer almıştır. eGFR, Kronik Böbrek Hastalığı Epidemiyoloji İş Birliği (CKD-EPI) kreatinin bazlı denklemi kullanılarak hesaplanmış ve hastane laboratuvar bilgi sisteminden alınmıştır.
Prosedürel karmaşıklık, kontrast maddeye maruz kalma ve lezyon konumu, nörogirişimsel prosedürler sırasında kan-beyin bariyeri bozulmasını ve kontrast madde tutulumunu etkileyebileceğinden, perioperatif prosedürel değişkenler 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 raporlarından ve anjiyografik kayıtlardan belirlenmiştir. Prosedür süresi, arteriyel ponksiyondan nörogirişimsel prosedürün tamamlanmasına kadar geçen süre olarak tanımlanmıştır. Toplam kontrast hacmi, prosedürün başından sonuna kadar uygulanan iyotlu kontrast maddenin kümülatif hacmi olarak tanımlanmıştır. Bu çalışmada kullanılan kontrast maddeler, kurumsal klinik uygulama uyarınca uygulanan iodixanol (320 mg iyot/mL) dahil olmak üzere noniyonik ICA'lardır. Bu çalışmaya dahil edilen tüm nörogirişimsel prosedürler, çalışma merkezindeki deneyimli bir nörogirişim ekibi tarafından dijital subtraksiyon anjiyografi rehberliğinde gerçekleştirilmiştir. Tüm prosedürler transfemoral arteriyel yaklaşım kullanılarak yapılmıştır. Girişim sırasında hastalara intraoperatif olarak heparin ile antikoagülasyon uygulanmış ve aktive pıhtılaşma zamanı 250–30 s hedef aralığında tutulmuştur. Vital bulgular prosedür boyunca sürekli olarak izlenmiştir.
Anevrizma embolizasyonu, anjiyoplasti ve stent yerleştirme dahil olmak üzere terapötik müdahaleler, lezyon özelliklerine ve operatör kararına göre gerçekleştirilmiştir. İşlem gerekliliklerine göre uygun mikrokateterler, koiller, stentler veya balonlar seçilmiştir. Anjiyografik görüntüleme ve müdahale sırasında, kontrast ajanlar ya yüksek basınçlı enjeksiyon ya da manuel sabit hızda infüzyon yoluyla uygulanmıştır. Kontrast ajan tipi ve toplam kontrast hacmi işlem kayıtlarından çıkarılmış ve mevcut olduğunda anestezi veya hemşirelik kayıtlarıyla çapraz kontrol edilmiştir. Tutarsız veya eksik kontrast hacmi bilgisi içeren kayıtlar, nihai analiz veri setine dahil edilmeden önce manuel olarak incelenmiştir.
Prosedür süresi, terapötik müdahale türü, 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 öngörücü değişken olarak belirlenmiş ve aşağıdaki denklem uyarınca hesaplanmıştır:
(1)
Toplam kontrast hacmi mL cinsinden, eGFR ise mL/min/1.73 m2 cinsinden kaydedildi. CGR hesaplaması için kullanılan eGFR değeri, yatış sonrası ve nörointervensiyonel 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 geliştirilmeden önce tüm hastalara aynı hesaplama kuralı uygulandı.
Özellik seçimi ve ML iş akışı
Analitik sağlamlığı sağlamak amacıyla, tüm klinik ve laboratuvar değişkenleri analiz öncesinde sistematik kalite kontrol prosedürlerinden geçirilmiştir. Model geliştirme aşamasından önce, her bir aday değişken için eksik veri oranı hesaplanmıştır. Nihai analitik veri setinde, dahil edilen öngördürücüler veya sonuç etiketleri arasında herhangi bir eksik değer gözlenmemiştir; bu nedenle, eksiklik nedeniyle hiçbir değişken dışlanmamış ve çoklu imputasyona ihtiyaç duyulmamıştır. Ayrıntılı eksik veri özeti Ek Tablo 1'de sunulmuştur.
Tüm aday öngörücü değişkenler, CIE gelişimi ile olan ilişkilerini değerlendirmek amacıyla başlangıçta tek değişkenli analizler kullanılarak değerlendirildi. İstatistiksel yöntemler, verilerin dağılım özelliklerine göre seçildi. Normal dağılım gösteren değişkenler, ortalama ± standart sapma olarak ifade edildi ve bağımsız örneklemler t-testi kullanılarak karşılaştırıldı. Normal dağılım göstermeyen değişkenler, medyan (çeyrekler arası aralık, IQR) olarak ifade edildi ve Mann–Whitney U testi kullanılarak analiz edildi. Kategorik değişkenler, frekans ve yüzde olarak sunuldu; ki-kare testi veya Fisher'ın kesin testi kullanılarak analiz edildi. İstatistiksel anlamlılık p < 0,05 olarak tanımlandı.
Model geliştirme öncesinde tüm veri seti, eğitim ve test kohortlarına 8:2 oranında rastgele olarak ayrılmıştır. Aşırı öğrenmeyi (overfitting) minimize etmek ve çoklu doğrusal bağımlılığı (multicollinearity) azaltmak için özellik seçimi amacıyla 10 katlı çapraz doğrulama ile kombine edilmiş en küçük mutlak küçültme ve seçme operatörü (LASSO) regresyonu uygulanmıştır. Veri sızıntısını önlemek için özellik seçimi, hiperparametre ayarı ve model geliştirme işlemleri yalnızca eğitim kohortu kullanılarak gerçekleştirilmiştir. Dahili test kohortu; imputasyon-parametre tahmini, özellik seçimi, hiperparametre ayarı veya model eğitimi sırasında kullanılmamış ve yalnızca nihai performans değerlendirmesi için bir kez kullanılmıştır. Hiperparametre optimizasyonu, eğitim kohortu içerisinde 10 katlı çapraz doğrulama ile birlikte bir ızgara arama (grid search) stratejisi kullanılarak yürütülmüştür. Spesifik olarak, eğitim kohortu rastgele olarak birbirini dışlayan 10 alt kümeye ayrılmıştır. Her yinelemede, dokuz alt küme model eğitimi için, geri kalan alt küme ise doğrulama için kullanılmıştır. Bu işlem, her alt kümenin tam olarak bir kez doğrulama kohortu olarak hizmet etmesini sağlamak için 10 kez tekrarlanmıştır.
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 girdi değişkenleri olarak kullanılmıştır. Sürekli değişkenler, eğitim kohortu içerisinde z-skoru normalizasyonu kullanılarak standartlaştırılmış ve aynı ölçeklendirme parametreleri dahili test kohortuna uygulanmıştır. Kategorik değişkenler, önceden tanımlanmış kodlama şemasına göre kodlanmış olup, 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 optimize edilmiştir. KNN için komşu sayısı ve mesafe ağırlıklandırma stratejisi optimize edilmiştir. LightGBM için tahminci sayısı, öğrenme oranı, maksimum ağaç derinliği ve yaprak sayısı optimize edilmiştir. MLP için gizli katman yapısı, aktivasyon fonksiyonu, düzenlileştirme parametresi ve öğrenme oranı optimize edilmiştir. Gaussian Naive Bayes, belirtilen varyans düzleştirme ayarı kullanılarak uygulanmıştır. Her model için optimal hiperparametre kombinasyonu, eğitim kohortu içindeki çapraz doğrulama performansına göre seçilmiştir. Her model için seçilen final optimize edilmiş hiperparametre kombinasyonları Ek Tablo 3'te özetlenmiştir. Hiperparametre seçiminden sonra, her final model tam eğitim kohortu üzerinde yeniden fit edilmiş ve dahili test kohortunda bir kez değerlendirilmiştir.
Model performanslarının karşılaştırılması
Seçilen öngördürücülere dayanarak beş ML modeli geliştirilmiş ve karşılaştırılmıştır. Model performansı; alıcı işletim karakteristik eğrisi altındaki alan (AUC), %95 güven aralığı (%95 CI), duyarlılık, özgüllük ve doğruluk kullanılarak hem eğitim hem de test kohortlarında değerlendirilmiştir. Farklı modellerin ayırt edici performanslarını karşılaştırmak için alıcı işletim karakteristik eğrileri oluşturulmuştur. Her model için optimal sınıflandırma eşiği, Youden indeksi kullanılarak yalnızca eğitim kohortu içerisinde belirlenmiştir. Elde edilen eşik daha sonra sabitlenmiş ve eşiğe bağlı performans metriklerini hesaplamak için dahili test kohortuna olduğu gibi uygulanmıştır.
Karar eğrisi analizi
DCA, bir dizi eşik olasılık boyunca her bir modelin net faydasının hesaplanması ve model tabanlı stratejinin iki varsayılan stratejiyle (tüm hastalara tedavi uygulama ve hiçbir hastaya tedavi uygulamama) karşılaştırılmasıyla gerçekleştirilmiştir. DCA, ayırma performansının ve perioperatif karar verme süreçlerindeki potansiyel klinik uygulanabilirliğin eş zamanlı olarak değerlendirilmesine olanak tanıdığı için seçilmiştir. Tekrarlanabilirliği kolaylaştırmak amacıyla, tüm iş akışı şu sırayla yürütülmüştür: elektronik tıbbi kayıt sisteminden hasta tanımlama, dahil etme ve dışlama 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 modelin yeniden uydurulması, dahili test kohortu değerlendirmesi, ROC tabanlı performans değerlendirmesi, Youden indeksi eşik belirleme ve DCA.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Hasta kaydı ve CIE belirlenmesi
Bu çalışmaya nörogirişimsel prosedürler uygulanan toplam 161 hasta dahil edilmiştir; bu hastaların 12'sinde (%7,5) CIE gelişirken, 149'unda (%92,5) gelişmemiştir. Detaylı hasta tarama ve gruplandırma süreci Şekil 2'de gösterilmiştir. CIE tanısı, semptomların başlangıcı ile nörogirişimsel prosedürler arasındaki zamansal ilişkiye ve buna eşlik eden dışlayıcı görüntüleme bulgularına dayanarak konulmuştur. CIE'nin karak...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
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 vurgulamaktadır17,18,19,
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Yazarlar herhangi bir çıkar çatışması olmadığını beyan ederler. OnekeyAI platformu, bu çalışmada yalnızca yapılandırılmış veri analizi ve model geliştirme için bir araştırma aracı olarak kullanılmıştır.
Teşekkürler
Bu çalışma, Liaoning Eyaleti Bilim ve Teknoloji Planı Ortak Programı (Kilit Araştırma ve Geliştirme Programı Projesi; Hibe No. 2025JH2/101800053) ve Liaoning Eyaleti Xingliao Yetenek Programı (Hibe No. XLYC2403134) tarafından desteklenmiştir. Yazarlar ayrıca hasta veri toplama ve nörogörüntüleme incelemesi konusundaki destekleri için Northern Theater General Hospital Nöroşirürji Bölümü'ne teşekkür ederler.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| 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 |
Kaynaklar
- Nunna R, et al. Advances in the endovascular management of cerebrovascular disease. Mo Med. 2024;121:127-135.
- Jiang B, et al. Cerebral aneurysm treatment: modern neurovascular techniques. Stroke Vasc Neurol. 2016;1:93-100.
- Allison C, et al. Contrast-induced encephalopathy after cerebral angiogram: a case series and review of literature. Case Rep Neurol. 2021;13:405-413.
- Vazquez S, et al. Incidence and risk factors for acute transient contrast-induced neurologic deficit: a systematic review with meta-analysis. Stroke Vasc Interv Neurol. 2022;2:e000142.
- Meijer FJA, et al. Contrast-induced encephalopathy: neuroimaging findings and clinical relevance. Neuroradiology. 2022;64:1265-1268.
- Quintas-Neves M, et al. Contrast-induced neurotoxicity related to neurological endovascular procedures: a systematic review. Acta Neurol Belg. 2020;120:1419-1424.
- Mariajoseph FP, et al. Clinical management of contrast-induced neurotoxicity: a systematic review. Acta Neurol Belg. 2024;124:1141-1149.
- Deo RC. Machine learning in medicine. Circulation. 2015;132:1920-1930.
- Rajkomar A, Dean J, Kohane IS. Machine learning in medicine. N Engl J Med. 2019;380:1347-1358.
- Kline A, et al. Multimodal machine learning in precision health: a scoping review. NPJ Digit Med. 2022;5:171.
- Esteva A, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24-29.
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.
- Agrawal R, et al. Fostering trust and interpretability: integrating explainable AI (XAI) with machine learning for enhanced disease prediction and decision transparency. Diagn Pathol. 2025;20:105.
- Domingos P, Pazzani M. On the optimality of the simple Bayesian classifier under zero-one loss. Mach Learn. 1997;29:103-130.
- Sarker IH. Machine learning: algorithms, real-world applications and research directions. SN Comput Sci. 2021;2:160.
- Collins GS, et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. Br J Cancer. 2015;112(2):251-259.
- Wu B, et al. Radiological findings of contrast-induced encephalopathy following cerebral angiography: a case report. Medicine (Baltimore). 2023;102:e33855.
- Wang K, et al. Contrast-induced encephalopathy after neurointerventional procedures: a series of three cases. Case Rep Neurol Med. 2025;2025:4384841.
- Chu YT, et al. Contrast-induced encephalopathy after endovascular thrombectomy for acute ischemic stroke. Stroke. 2020;51:3756-3759.
- Leong S, Fanning NF. Persistent neurological deficit from iodinated contrast encephalopathy following intracranial aneurysm coiling: a case report and review of the literature. Interv Neuroradiol. 2012;18(1):33-41.
- Hepburn M, et al. Fatal brain injury following carbon dioxide angiography. J Stroke Cerebrovasc Dis. 2020;29:105350.
- Matsubara N, et al. Contrast-induced encephalopathy following embolization of intracranial aneurysms in hemodialysis patients. Neurol Med Chir (Tokyo). 2017;57:641-648.
- Maclean MA, et al. Contrast-induced encephalopathy and the blood-brain barrier. Can J Neurol Sci. 2025;52:85-94.
- Cristaldi PMF, et al. Contrast-induced encephalopathy and permanent neurological deficit: a case report and literature review. Surg Neurol Int. 2021;12:273.
- Babyak MA. What you see may not be what you get: a brief, nontechnical introduction to overfitting in regression-type models. Psychosom Med. 2004;66(3):411-421.
- Zevallos CB, et al. Greater intraprocedural systolic blood pressure and blood pressure variability are associated with contrast-induced neurotoxicity after neurointerventional procedures. J Neurol Sci. 2021;420:117209.
- Zevallos CB, et al. Clinical and imaging features of contrast-induced neurotoxicity after neurointerventional surgery. World Neurosurg. 2020;142:e316-e324.
- Barbieri L, et al. Contrast volume to creatinine clearance ratio for the prediction of contrast-induced nephropathy in patients undergoing coronary angiography or percutaneous intervention. Eur J Prev Cardiol. 2016;23:931-937.
- Bhat T, et al. Neutrophil to lymphocyte ratio and cardiovascular diseases: a review. Expert Rev Cardiovasc Ther. 2013;11:55-59.
- Abbott NJ, Rönnbäck L, Hansson E. Astrocyte-endothelial interactions at the blood-brain barrier. Nat Rev Neurosci. 2006;7(1):41-53.
- Simental-Mendía LE, Rodríguez-Morán M, Guerrero-Romero F. The product of fasting glucose and triglycerides as surrogate for identifying insulin resistance in apparently healthy subjects. Metab Syndr Relat Disord. 2008;6:299-304.
- Spina R, et al. Contrast-induced encephalopathy following cardiac catheterization. Catheter Cardiovasc Interv. 2017;90:257-268.
- Steyerberg EW, et al. Internal validation of predictive models: efficiency of some procedures for logistic regression analysis. J Clin Epidemiol. 2001;54(8):774-781.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.