Разработка модели машинного обучения для прогнозирования изменений в нейровизуализации у пациентов с острым ишемическим инсультом при задержке транспортировки для эндоваскулярной тромбэктомии

Введение

Отбор пациентов для эндоваскулярной тромбэктомии (EVT) зависит от данных нейровизуализации. Однако задержки при межбольничной транспортировке могут привести к изменениям в нейровизуализации, и остается неясным, необходимо ли повторное исследование и когда его следует проводить. В данной работе разработана модель машинного обучения (MLM) для прогнозирования реканализации сосудов, прогрессирования ишемии и стабильности визуализации у кандидатов на EVT с задержкой межбольничной транспортировки.

Цель

Разработка и валидация модели машинного обучения для прогнозирования изменений в нейровизуализации у пациентов с острым ишемическим инсультом при задержке транспортировки для EVT.

Методы

Ретроспективное исследование включило кандидатов на EVT с окклюзией внутренней сонной или средней мозговой артерии, транспортированных через 1,5–6,0 часов после первичной визуализации. Были собраны клинические и радиологические данные. Модель на основе градиентного бустинга (XGBoost) обучалась и оптимизировалась на 66% когорты (случайная выборка) с использованием 10-кратной кросс-валидации, а затем независимо валидировалась на оставшихся 33% пациентов. Оценка модели включала:

• Площадь под ROC-кривой (AUC) для дискриминации.
• F1-меру для точности/полноты.
• Критерий Брайера для калибровки.

Результаты

Среди 317 пациентов:

• 69,4% имели стабильную нейровизуализацию.
• 14,5% показали прогрессирование ишемии (снижение ASPECTS ≥ 2).
• 16,1% имели реканализацию сосудов.

В обучающей когорте (n = 212) ключевыми предикторами стали:

• Улучшение по шкале NIHSS.
• Время от начала инсульта до визуализации.
• Применение внутривенного тромболизиса.
• Исходный ASPECTS.
• Оценка коллатерального кровотока.

В валидационной когорте (n = 105) модель показала AUC:

• 0,81 (95% ДИ 0,72–0,90) для стабильности визуализации.
• 0,82 (95% ДИ 0,72–0,91) для прогрессирования ишемии.
• 0,89 (95% ДИ 0,77–1,00) для реканализации сосудов.

F1-мера составила 0,87 (стабильность) и 0,95 (отсутствие реканализации), а критерий Брайера — 0,17 и 0,08 соответственно.

Выводы

Разработанная модель машинного обучения точно прогнозирует изменения в нейровизуализации у кандидатов на EVT с задержкой транспортировки, что может помочь в принятии решений о повторной визуализации и отборе пациентов.

Термины и сокращения

• EVT (Endovascular Thrombectomy) — эндоваскулярная тромбэктомия.
• MLM (Machine Learning Model) — модель машинного обучения.
• XGBoost — алгоритм градиентного бустинга на основе деревьев.
• AUC (Area Under the Curve) — площадь под ROC-кривой.
• ASPECTS (Alberta Stroke Program Early CT Score) — шкала оценки ранних изменений при КТ.
• NIHSS (National Institutes of Health Stroke Scale) — шкала инсульта NIH.