Ключевые результаты
Исследователи разработали высокоточную модель машинного обучения для прогнозирования 9-месячных функциональных исходов у пациентов с острым ишемическим инсультом (ОИИ), перенесших эндоваскулярное или хирургическое вмешательство. XGBoost-модель продемонстрировала выдающиеся результаты:
- AUC = 0.956 (95% ДИ 0.917–0.995)
- Чувствительность = 0.932
- Специфичность = 0.897
- F1-score = 0.938
- Brier score = 0.0713
Модель интегрирует данные мультимодальной КТ-перфузии с клиническими параметрами для предсказания неблагоприятного исхода (модифицированная шкала Rankin 3-6 баллов).
Методология
В ретроспективное исследование включены 371 пациент с ОИИ, получивший реперфузионную терапию. Анализировались следующие параметры:
Клинические данные:
- Возраст, пол, время "дверь-вмешательство" (DTI)
- Лабораторные показатели (глюкоза крови, нейтрофильно-лимфоцитарное соотношение)
КТ-перфузионные параметры:
- Tmax (время до максимальной концентрации контраста)
- CBF (церебральный кровоток)
- CBV (церебральный объем крови)
- ASPECT score (Alberta Stroke Program Early CT Score)
Количественные КТ-показатели:
- Плотность в единицах Hounsfield (пораженная/здоровая сторона)
- NWU (нормализованное поглощение воды)
Отбор признаков проводился с использованием LASSO-регрессии с последующим уточнением методом SHAP. Сравнивались четыре алгоритма: Logistic Regression, Random Forest, Support Vector Machine и XGBoost.
Клиническое значение
SHAP-анализ выявил наиболее важные предикторы неблагоприятного исхода:
- DTI (время "дверь-вмешательство") — наибольшее влияние (SHAP = 0.95)
- HU_affected (плотность пораженной ткани) — 0.88
- CBV < 42% (снижение церебрального объема крови) — 0.82
- NLR (нейтрофильно-лимфоцитарное соотношение) — 0.78
- Глюкоза крови — 0.74
Модель демонстрирует отличную калибровку и превосходит стандартные подходы в анализе кривых решений (DCA) в диапазоне клинически значимых порогов 0.01-0.60.
Практическое применение:
- Раннее прогнозирование долгосрочных исходов
- Стратификация риска для планирования реабилитации
- Индивидуализация терапевтических подходов
- Оптимизация ресурсов здравоохранения
Выводы
Разработанная интерпретируемая модель представляет значительный прогресс в прогнозировании исходов ОИИ. Доминирующая роль времени до реперфузии и базового повреждения ткани подчеркивает важность минимизации DTI и точной оценки исходной тяжести поражения.
Высокая точность модели (AUC > 0.95) позволяет рассматривать её как практический инструмент для клинического использования после внешней валидации. Интеграция мультимодальных данных КТ-перфузии с клиническими параметрами открывает новые возможности для персонализированной медицины в лечении инсульта.