Ключевые результаты
В ретроспективном одноцентровом исследовании, проведенном в Народной больнице №1 Сянъяна (2018-2023 гг.), была разработана и оценена мультимодальная модель глубокого обучения для прогнозирования ранних неврологических нарушений (РНН) у пациентов с острым ишемическим инсультом. Из 426 включенных пациентов с окклюзией средней мозговой артерии у 38% наблюдалось РНН (30,3% раннее; 7,7% позднее). Мультимодальная модель Concat-Fusion достигла AUC 0,877 в обучающей выборке и 0,771 в тестовой выборке, превзойдя одномодальные модели.
Методология
В исследование были включены пациенты с острым ишемическим инсультом и подтвержденной при визуализации окклюзией средней мозговой артерии, получавшие неэндоваскулярное лечение. Критериями исключения были другие артериальные окклюзии, эндоваскулярная терапия или неполные данные. РНН определялось как:
- Увеличение общего балла по шкале NIHSS на ≥2 пункта, или
- Увеличение подшкалы моторных функций на ≥1 пункт в течение 7 дней после поступления
Модель интегрировала структурированные клинические переменные и текст радиологических отчетов, собранных при поступлении. Эффективность модели оценивалась с использованием AUC, точности, чувствительности, специфичности, F1-меры, калибровки и анализа кривых принятия решений. Интерпретируемость оценивалась с помощью методов SHAP и Integrated Gradients.
Клиническое значение
Мультимодальная модель продемонстрировала сильные прогностические возможности как для раннего (AUC = 0,842), так и для позднего РНН (AUC = 0,855). Анализ подгрупп подтвердил стабильную производительность модели независимо от баллов NIHSS, уровней D-димера, наличия гипертонии и фибрилляции предсердий, с значительно более высоким AUC у пациентов с диабетом (p = 0,002).
Анализ SHAP выявил ключевые клинические факторы, влияющие на прогноз:
- D-димер
- Диастолическое артериальное давление
- Частота сердечных сокращений
Анализ Integrated Gradients идентифицировал важные текстовые предикторы в описании симптомов:
- "Неустойчивость"
- "Ходьба"
- "Зрение"
Риск-стратификация эффективно различала группы высокого и низкого риска с существенно различной кумулятивной частотой РНН в течение 48 часов и 7 дней (log-rank p < 0,0001). Пациенты с высоким риском демонстрировали худшую динамику по шкале NIHSS в течение 14-дневного наблюдения.
Выводы
Разработанная мультимодальная модель прогнозирования может улучшить раннюю идентификацию пациентов с риском развития РНН после острого ишемического инсульта и способствовать индивидуализированному клиническому ведению. Важным преимуществом модели является использование не только структурированных клинических данных, но и семантической информации из радиологических заключений.
Для подтверждения клинической полезности этой модели требуются более крупные проспективные исследования. Потенциально данный подход может быть интегрирован в системы поддержки принятия клинических решений для оптимизации лечения пациентов с острым ишемическим инсультом.