التنبؤ باعتلال الدماغ الناجم عن المادة الظليلة بعد الإجراءات التداخلية العصبية باستخدام تعلم الآلة

ملخص

تم تقييم إطار عمل استكشافي للتعلم الآلي (ML) باستخدام بيانات الفترة المحيطة بالجراحة للتنبؤ باعتلال الدماغ الناجم عن الصبغة (CIE) بعد الإجراءات التداخلية العصبية. وأظهر نموذج Naive Bayes الأداء الوصفي الأكثر توازناً، كما تم تحديد نسبة الصبغة إلى معدل الترشيح الكبيبي (CGR) كمتنبئ مرشح مهم لتقييم المخاطر الفردية.

الملخص

تُعد الانصمام الدماغي الاصطناعي (CIE) مضاعفة نادرة ولكنها شديدة تتبع الإجراءات التداخلية العصبية، ولا تزال الأدوات التنبؤية غير الغازية والموثوقة لها غائبة. هدفت هذه الدراسة إلى تطوير والتحقق من صحة نموذج تعلم آلي (ML) للتنبؤ بـ CIE باستخدام البيانات السريرية والإجرائية في الفترة المحيطة بالجراحة، وتقييم القيمة التنبؤية لمعدل نمو القشرة الدماغية (CGR) بالنسبة لـ CIE. كانت هذه دراسة استرجاعية أحادية المركز شملت بالتتابع 161 مريضاً خضعوا لإجراءات تداخلية عصبية في قسم جراحة الأعصاب بمستشفى المسرح الشمالي العام بين يناير 2024 وديسمبر 2025. تم تحديد المتنبئات المحتملة لـ CIE في الفترة المحيطة بالجراحة باستخدام التحليل أحادي المتغير مقترناً بانحدار LASSO. وبناءً على المتغيرات المختارة، تم تدريب وتحسين خمسة نماذج تعلم آلي وهي: Naive Bayes، وآلة متجه الدعم (SVM)، والخوارزمية الجيران الأقرب (KNN)، وLightGBM، والبرسيبترون متعدد الطبقات (MLP). تم تقييم أداء النماذج بشكل شامل باستخدام المساحة تحت منحنى خصائص التشغيل للمستقبل (AUC)، وتحليل منحنى القرار (DCA). ومن بين النماذج التي تم تقييمها، أظهر نموذج Naive Bayes الأداء الوصفي الأكثر تفضيلاً في مجموعة الاختبار الداخلية، بمساحة AUC بلغت 0.952 (95% CI: 0.843–1.000)، وحساسية بنسبة 100%، ونوعية بنسبة 90.3%؛ ومع ذلك، يجب تفسير هذه المقاييس بحذر لأن مجموعة البيانات كانت غير متوازنة بشكل ملحوظ، وكانت مجموعة الاختبار الداخلية صغيرة واحتوت على عدد محدود جداً من حالات CIE. وأشارت نتائج DCA إلى فائدة سريرية صافية محتملة عبر احتمالات العتبة المختارة. كما أشار تحليل أهمية الميزات إلى أن CGR كان من بين أعلى المتنبئات المرشحة ترتيباً المرتبطة بمخاطر CIE في مجموعة البيانات هذه. قد يوفر نموذج Naive Bayes الذي تم تقييمه في هذه الدراسة إطاراً أولياً لتصنيف المخاطر للتقييم في الفترة المحيطة بالجراحة لـ CIE بعد الإجراءات التداخلية العصبية. وقد ظهر CGR كميزة تنبؤية مهمة وقد يساعد في تصنيف المخاطر الفردي. وثمة حاجة إلى مزيد من التحقق الخارجي قبل التطبيق السريري.

المقدمة

على مدى العقدين الماضيين، أحدثت التقنيات التداخلية ذات التدخل tối thiểu تحولاً جذرياً في النموذج العلاجي لأمراض الأوعية الدموية الدماغية¹. وقد أصبحت الإجراءات التداخلية العصبية — بما تمنحه من مزايا المتمثلة في الفعالية العالية والحد الأدنى من التدخل الجراحي — خيارات علاجية هامة لاضطرابات وعائية دماغية مختارة². ومع ذلك، فمع زيادة تعقيد الإجراءات التداخلية، تزداد أيضاً جرعات المواد المتباينة المستخدمة أثناء هذه الإجراءات، وضغوط الحقن، ومدة التعرض للمادة المتباينة. ونتيجة لذلك، أصبحت المضاعفات المرتبطة بالمواد المتباينة تخضع تدريجياً لتدقيق متزايد^3,4,5,6,7. وقد تم التعرف بشكل متزايد على اعتلال الدماغ الناجم عن المواد المتباينة (CIE)، وهو خلل وظيفي عصبي حاد وعابر تسببه وسائط التباين اليودية (ICM)، كمضاعفة ذات صلة سريرياً، لا سيما في الإجراءات التداخلية العصبية المعقدة. تظهر المظاهر السريرية النموذجية لـ CIE عادةً خلال دقائق إلى 24 h بعد التعرض للمادة المتباينة، وتشمل تغيرات في الوعي (مثل النعاس أو الهذيان أو الغيبوبة)، والعمى القشري، والعجز العصبي البؤري (مثل الشلل الشقي أو الحبسة الكلامية)، والنوبات الصرعية^4,5,6. وعلى الرغم من أن معظم حالات CIE تكون ذاتية الشفاء وتزول الأعراض عادةً خلال 48 إلى 72 h، إلا أن بعض المرضى قد يعانون من ضعف عصبي مستمر. وقد تؤدي الحالات الشديدة حتى إلى الوفاة بسبب الوذمة الدماغية الشاملة^4,7. إن عدم القدرة على التنبؤ بهذه النتائج يؤكد الحاجة الماسة لتطوير أداة موثوقة للتنبؤ المبكر بالمخاطر خلال الفترة المحيطة بالعملية الجراحية.

مع استمرار زيادة حجم البيانات السريرية، أصبحت الطرق الإحصائية التقليدية غير كافية بشكل متزايد عند التعامل مع البيانات الطبية عالية الأبعاد التي تظهر تعددية الخطية. علاوة على ذلك، غالبًا ما تفشل التحليلات أحادية المتغير أو نماذج الانحدار اللوجستي البسيطة في رصد التفاعلات المعقدة وغير الخطية بين المتغيرات. ويوفر تعلم الآلة (ML) بُعدًا جديدًا لمواجهة هذه التحديات⁸. إذ يمكن لخوارزميات تعلم الآلة — مثل آلات المتجهات الداعمة (SVM)، وآلات تعزيز التدرج (LightGBM)، والبيرسيبترون متعدد الطبقات (MLP) — تحديد الأنماط الكامنة في مساحات الميزات عالية الأبعاد تلقائيًا وبناء نماذج غير خطية ذات قدرات تنبؤية قوية^8,9,10,11. ومع ذلك، وبينما يتم السعي لتحقيق دقة التنبؤ، فإن طبيعة هذه الخوارزميات كـ "صندوق أسود"، والتي تتميز بنقص القابلية للتفسير، غالبًا ما تثير مخاوف بشأن الثقة في اتخاذ القرارات الطبية^12,13. وفي المقابل، تُظهر خوارزمية Naive Bayes، بمنطقها الاحتمالي البسيط وقابليتها الذاتية للتفسير، مزايا فريدة في الدراسات السريرية ذات العينات الصغيرة^14,15. ومن خلال تقييم مساهمة الاحتمال البعدي لكل متغير تنبؤي في حدث النتيجة، لا يضمن نموذج Naive Bayes أداءً تنبؤيًا فحسب، بل يوفر للأطباء أيضًا رؤى بديهية لدعم القرار. علاوة على ذلك، ولتقييم عدم التوازن بين حمولة المادة المتباينة وقدرة التصفية الفردية كميًا، تقدم هذه الدراسة بشكل مبتكر نسبة المادة المتباينة إلى معدل الترشيح الكبيبي (CGR) كميزة أساسية. بالنسبة للمرضى الذين يعانون من احتياطي وظيفي كلوي منخفض، يمكن أن تؤدي حتى الجرعات المتوسطة من المواد المتباينة إلى قيم CGR عالية جدًا، مما قد يزيد من القابلية للإصابة بـ CIE. وقد يوفر CGR مقياسًا مركبًا بديهيًا سريريًا يدمج عبء المادة المتباينة وقدرة التصفية الكلوية، رغم أن قيمته التنبؤية الإضافية تتطلب مزيدًا من التحقق. ومن خلال دمج هذا المؤشر الحيوي المتكامل، هدفت هذه الدراسة إلى تطوير إطار تنبؤي يعكس الواقع الفسيولوجي المرضي بشكل أدق.

باختصار، هدفت هذه الدراسة إلى تطوير والتحقق من صحة نموذج تنبؤ بـ CIE يعتمد على تعلم الآلة (ML) باستخدام المتغيرات السريرية والإجرائية في الفترة المحيطة بالجراحة¹⁶. وتشمل الأهداف المحددة ما يلي: (1) تقديم وتقييم CGR كفهرس مركب استكشافي؛ (2) بناء ومقارنة أداء خمسة نماذج لتعلم الآلة، وهي: Naive Bayes و SVM و KNN و LightGBM و MLP؛ و(3) تحديد النموذج الأمثل. ونظراً لمحدودية عدد حالات CIE، فقد اعتُبرت مقارنة النماذج استكشافية ومهيأة لصياغة الفرضيات. وفي النهاية، قد توفر هذه الدراسة إطاراً أولياً لتصنيف مخاطر CIE في الممارسة العصبية التداخلية، ولكن لا ينبغي استخدامها كأداة مستقلة لاتخاذ القرارات السريرية دون التحقق الخارجي من صحتها. يوضح الشكل 1A الأساس المفاهيمي لـ CGR وعلاقته بالتعرض للمادة الظليلة والتصفية الكلوية. كما يلخص الشكل 1B سير عمل الدراسة الإجمالي، بما في ذلك المعالجة المسبقة للبيانات، وتقسيم بيانات التدريب والاختبار، واختيار الميزات، وتطوير النموذج. ويُعرض إطار التقييم المقارن لنماذج تعلم الآلة الخمسة في الشكل 1C.

البروتوكول

تمت مراجعة بروتوكول الدراسة والموافقة عليه من قبل لجنة الأخلاقيات في المستشفى العام لقيادة المسرح الشمالي (رقم الموافقة Ethics Y (2026) 75). وعلى الرغم من أن البيانات السريرية استُمدت من مرضى عولجوا في الفترة ما بين يناير 2024 وديسمبر 2025، فقد أُجريت الدراسة الحالية كتحليل استرجاعي للسجلات السريرية الموجودة. وقد شملت الموافقة الأخلاقية التي تم الحصول عليها في عام 2026 استخراج البيانات الاسترجاعية، وإزالة تحديد الهوية، وتحليل ونشر هذه البيانات السريرية التي تم جمعها سابقاً. ولم يتم إجراء أي تدخل استباقي أو تسجيل للمرضى قبل الحصول على الموافقة الأخلاقية. كما تم الإعفاء من شرط الحصول على موافقة كتابية مستنيرة نظراً لتصميم الدراسة الرصدية الاسترجاعية. وقد نُفذت جميع الإجراءات وفقاً لإعلان هلسنكي، كما تم إزالة تحديد الهوية من جميع البيانات السريرية قبل التحليل. وأجري التحليل الحالي كجزء من مشروع بحثي معتمد للبيانات السريرية للتدخلات العصبية الاسترجاعية. وتلخص جدول المواد المواد والمعدات المطلوبة للإجراءات الموضحة أدناه.

تسجيل المرضى وتحديد الـ CIE

تم تحديد المرضى المؤهلين المحتملين من خلال الاستعلام في نظام السجلات الطبية الإلكترونية عن المرضى الذين عولجوا في قسم جراحة الأعصاب في المستشفى العام لقيادة المسرح الشمالي بين يناير 2024 وديسمبر 2025. وقد اقتصر البحث الأولي على تاريخ الدخول، والقسم، وتشخيص أمراض الأوعية الدموية الدماغية، وسجلات إجراءات التدخل العصائي. ويوضح الشكل 2 سير عمل فحص المرضى المفصل وتخصيص المجموعات. وكان المرضى مؤهلين للإدراج إذا استوفوا جميع المعايير التالية: (1) العمر بين 30 و 80 عاماً؛ (2) تشخيص إصابة بأمراض الأوعية الدموية الدماغية التي تتطلب تقييماً أو علاجاً بالتدخل العصائي؛ (3) توفر السجلات السريرية الكاملة ونتائج الاختبارات المختبرية؛ و(4) إجراء فحص بالأشعة المقطعية للرأس بعد الجراحة خلال 3 أيام من العملية.

تم استبعاد المرضى إذا كانت بياناتهم السريرية أو التصويرية غير مكتملة، أو إذا لم يخضعوا لتدخل وعائي داخلي، أو في حال وجود قصور عصبي شديد قبل العملية (درجة مقياس Rankin المعدل ≥4)، أو إذا أظهر التصوير بالرنين المغناطيسي الموزون بالانتشار قبل العملية وجود احتشاء دماغي حاد، أو إذا كانوا يعانون من مرض كلى مزمن في المرحلة G4 أو أعلى وفقاً لمعايير مبادرة تحسين النتائج العالمية لأمراض الكلى (KDIGO)، أو إذا كانوا يعانون من أمراض قلبية وعائية شديدة. طُبقت معايير الاشتمال والاستبعاد بالتتابع. وبعد البحث الإلكتروني الأولي، تمت مراجعة كل سجل مرشح يدوياً لتأكيد الأهلية وتوثيق سبب الاستبعاد عند الاقتضاء. وبعد الفرز، وُزع المرضى المؤهلون عشوائياً على مجموعتي التدريب والاختبار بنسبة 8:2، بما في ذلك مجموعة تدريب (n = 128) ومجموعة اختبار (n = 33). استُخدم أخذ العينات العشوائية الطبقية للحفاظ على توزيع ثابت لحالات CIE والحالات غير المصابة بـ CIE بين المجموعتين.

اعتمد تشخيص CIE بشكل أساسي على الارتباط الزمني بين ظهور الأعراض وإجراءات التدخل الوعائي الدماغي، إلى جانب تقييم تصويري استبعادي. قام اختصاصيان مستقلان في التدخل الوعائي الدماغي بمراجعة السجلات السريرية بعد العملية، ووقت ظهور الأعراض، والمظاهر العصبية، ونتائج التصوير بعد العملية لجميع الحالات المشتبه بها. وتم حل الخلافات من خلال المناقشة حتى يتم التوصل إلى توافق في الآراء. اعتبر المرضى متوافقين مع CIE في حال حدوث عمى قشري مستحدث، أو تغير في درجة الوعي (بما في ذلك النعاس، أو الهذيان، أو الغيبوبة)، أو نوبات صرع، أو قصور عصبي بؤري مثل الشلل الشقّي أو الحبسة الكلامية، وذلك خلال 24 h من اكتمال إجراء التدخل العصبي.

بعد ظهور الأعراض، استُبعدت الأسباب البديلة القادرة على إحداث مظاهر عصبية مماثلة من خلال مراجعة صور التصوير المقطعي المحوسب (CT) أو التصوير بالرنين المغناطيسي (MRI) بعد الجراحة، بالتزامن مع متابعة المسار السريري. أُجري التصوير المقطعي المحوسب للرأس بعد الجراحة باستخدام البروتوكول المؤسسي القياسي للتصوير المقطعي للقحف بدون صبغة. تضمنت معلمات الاستحواذ الأساسية جهد الأنبوب بقيمة 80 kVp، وتيار الأنبوب بقيمة 260 mA، وسُمك المقطع 0.5 mm، وإعادة بناء محورية قياسية. تمت مراجعة الصور عبر نوافذ الدماغ والعظام من قبل أطباء ذوي خبرة. وتم مراعاة النزيف داخل القحف الحاد، والنزيف تحت العنكبوتية، والنزيف داخل الدماغ، واحتشاء الدماغ واسع النطاق حديث التكون، والتغيرات المرتبطة بالنوبات الصرعية، والعدوى، والاضطرابات الأيضية أثناء التشخيص التفريقي. عادةً ما أظهرت فحوصات التصوير المقطعي المحوسب بعد ظهور الأعراض وذمة دماغية بؤرية أو منتشرة وظلالاً عالية الكثافة تشمل القشرة أو المناطق تحت القشرية أو الحيز تحت العنكبوتية، مما يحاكي الآفات النزفية. أما نتائج التصوير بالرنين المغناطيسي فتظهر عادةً تورماً قشرياً، خاصة في القشرة الصدغية الجدارية القذالية. ومع ذلك، لم تظهر فحوصات التصوير المقطعي المحوسب أو التصوير بالرنين المغناطيسي في بعض المرضى أي تشوهات واضحة رغم وجود مظاهر سريرية متوافقة.

الحصول على المتغيرات في الفترة المحيطة بالجراحة وبناء CGR

تم استخراج البيانات الديموغرافية العامة، بما في ذلك العمر والجنس ووزن الجسم، من حقول مهيكلة في نظام السجلات الطبية الإلكترونية. كما استُخرجت متغيرات التاريخ السريري، والتي شملت تاريخ التدخين، وتاريخ استهلاك الكحول، وارتفاع ضغط الدم، وداء السكري، ومرض الشريان التاجي، من ملاحظات الدخول، وسجلات التاريخ الطبي السابق، وتشخيصات الخروج، وتم التحقق منها لضمان الاتساق. أما البيانات المختبرية فقد استُخرجت من نظام معلومات المختبرات. وبالنسبة لكل مريض، استُخدمت أول عينة دم وريدي تم جمعها بعد الدخول وقبل الإجراء التداخلي العصبي. وشملت المتغيرات المختبرية المستخرجة الكرياتينين في المصل، ومعدل الترشيح الكبيبي التقديري (eGFR)، ومستويات الكوليسترول الكلي، والدهون الثلاثية. وقد حُسب eGFR باستخدام معادلة CKD-EPI المعتمدة على الكرياتينين، وتم الحصول عليها من نظام معلومات مختبرات المستشفى.

نظراً لأن تعقيد الإجراء، والتعرض لعامل التباين، وموقع الآفة قد تؤثر على اختلال الحاجز الدموي الدماغي واحتباس عامل التباين أثناء الإجراءات التداخلية العصبية، فقد تم إدراج متغيرات الإجراء في الفترة المحيطة بالجراحة ضمن إطار التنبؤ. وشملت المتغيرات المتعلقة بالإجراء موقع الآفة، ونوع الإجراء، ومدة الإجراء، ونوع عامل التباين، والحجم الإجمالي للتباين. تم تحديد موقع الآفة ونوع الإجراء من التقارير الجراحية وسجلات تصوير الأوعية. وعُرِفت مدة الإجراء بأنها الوقت الممتد من الوخز الشرياني حتى اكتمال الإجراء التداخلي العصبي. أما الحجم الإجمالي للتباين فعرِف بأنه الحجم التراكمي لعامل التباين اليودي الذي تم إعطاؤه من بداية الإجراء وحتى نهايته. كانت عوامل التباين المستخدمة في هذه الدراسة هي ICA غير الأيونية، بما في ذلك iodixanol (320 mg of iodine/mL)، والتي أُعطيت وفقاً للممارسة السريرية في المؤسسة. أُجريت جميع الإجراءات التداخلية العصبية المشمولة في هذه الدراسة تحت توجيه تصوير الأوعية بطرح الرقمي من قبل فريق تداخل عصبي خبير في مركز الدراسة. ونُفذت جميع الإجراءات باستخدام نهج الشريان الفخذي. وخلال التدخل، تلقى المرضى مضادات تخثر أثناء الجراحة باستخدام heparin، وتم الحفاظ على وقت التجلط المنشط ضمن النطاق المستهدف 250–300 s. كما تمت مراقبة العلامات الحيوية باستمرار طوال فترة الإجراء.

أُجريت التدخلات العلاجية، بما في ذلك سد التمددات الشريانية، ورأب الأوعية، ووضع الدعامات، وفقاً لخصائص الآفة وتقدير المشغل. واختيرت القساطر الدقيقة أو اللفات أو الدعامات أو البالونات المناسبة وفقاً لمتطلبات الإجراء. وخلال التصوير الوعائي والتدخل، حُقنت مواد التباين إما عن طريق الحقن عالي الضغط أو التسريب اليدوي بمعدل ثابت. واستُخرج نوع مادة التباين والحجم الإجمالي لها من سجلات الإجراءات، وتمت مطابقتها مع سجلات التخدير أو التمريض عند توفرها. كما روجعت السجلات التي تحتوي على معلومات غير متسقة أو غير مكتملة عن حجم مادة التباين يدوياً قبل إدراجها في مجموعة البيانات التحليلية النهائية.

تمت مراجعة جميع المتغيرات المتعلقة بالإجراء بشكل منهجي والتحقق من اكتمالها واتساقها قبل التحليل، بما في ذلك مدة الإجراء، ونوع التدخل العلاجي، واستخدام الأجهزة، وسجلات إعطاء عامل التباين. ولتقييم عدم التوازن بين عبء عامل التباين وقدرة التصفية الكلوية كمياً، تم تحديد CGR كمتغير تنبؤي أساسي وحسابها وفقاً للمعادلة التالية:

(1)

تم تسجيل إجمالي حجم المادة التباينية بـ mL، وسُجل معدل الترشيح الكبيبي التقديري (eGFR) بـ mL/min/1.73 m². وكانت قيمة eGFR المستخدمة لحساب نسبة المادة التباينية إلى معدل الترشيح الكبيبي (CGR) هي قيمة eGFR قبل العملية، والتي تم الحصول عليها من أول عينة دم وريدية جمعت بعد التنويم وقبل الإجراء التداخلي العصبي. وبالنسبة لكل مريض، تم حساب CGR بعد التحقق من كل من إجمالي حجم المادة التباينية وeGFR. وكان البسط هو إجمالي حجم المادة التباينية بـ mL، والمقام هو eGFR بـ mL/min/1.73 m². وقد طُبقت قاعدة الحساب نفسها على جميع المرضى قبل تطوير النموذج.

اختيار الميزات ومسار عمل تعلم الآلة

لضمان الرصانة التحليلية، خضعت جميع المتغيرات السريرية والمخبرية لإجراءات مراقبة الجودة المنهجية قبل التحليل. كما تم حساب نسبة البيانات المفقودة لكل متغير مرشح قبل تطوير النموذج. وفي مجموعة البيانات التحليلية النهائية، لم تُلاحظ أي قيم مفقودة بين المتنبئات المشمولة أو تسميات النتائج؛ وبناءً على ذلك، لم يتم استبعاد أي متغير بسبب فقدان البيانات، ولم تكن هناك حاجة إلى استخدام التعويض المتعدد. يتوفر ملخص تفصيلي للبيانات المفقودة في الجدول التكميلي 1.

تم تقييم جميع المتغيرات التنبؤية المرشحة في البداية باستخدام تحليلات أحادية المتغير لتقدير ارتباطاتها بحدوث CIE. واختيرت الطرق الإحصائية وفقاً لخصائص توزيع البيانات؛ حيث عُبّر عن المتغيرات ذات التوزيع الطبيعي في صورة المتوسط ± الانحراف المعياري، وقورنت باستخدام اختبار t للعينات المستقلة. أما المتغيرات ذات التوزيع غير الطبيعي، فقد عُبّر عنها في صورة الوسيط (المدى الربيعي، IQR) وحُللت باستخدام اختبار Mann–Whitney U. وعُرضت المتغيرات الفئوية في شكل تكرارات ونسب مئوية، وحُللت باستخدام اختبار مربع كاي أو اختبار فيشر الدقيق. وقد حُددت الدلالة الإحصائية عند قيمة p < 0.05.

قُسمت مجموعة البيانات بأكملها عشوائياً إلى مجموعتين للتدريب والاختبار بنسبة 8:2 قبل تطوير النموذج. وللحد من الإفراط في التخصيص وتقليل التعددية الخطية، طُبِّق انحدار "لاصو" (LASSO) بالتزامن مع التحقق المتبادل ذي العشر طيات لاختيار السمات. وقد أُجري اختيار السمات، وضبط المعلمات الفائقة، وتطوير النموذج باستخدام مجموعة التدريب فقط لتجنب تسرب البيانات. ولم تُستخدم مجموعة الاختبار الداخلية أثناء تقدير معلمات التعويض، أو اختيار السمات، أو ضبط المعلمات الفائقة، أو تدريب النموذج، بل استُخدمت مرة واحدة فقط لتقييم الأداء النهائي. كما أُجري تحسين المعلمات الفائقة باستخدام استراتيجية البحث الشبكي مع التحقق المتبادل ذي العشر طيات ضمن مجموعة التدريب. وتحديداً، قُسمت مجموعة التدريب عشوائياً إلى 10 مجموعات فرعية مانعة تبادلياً؛ ففي كل تكرار، استُخدمت تسع مجموعات فرعية لتدريب النموذج، واستُخدمت المجموعة المتبقية للتحقق. وكررت هذه العملية 10 مرات لضمان أن كل مجموعة فرعية قد عملت كمجموعة تحقق لمرة واحدة فقط.

أُجريت جميع التحليلات الحسابية في بيئة Python. وتم تطوير نماذج تعلم الآلة (ML) وتقييمها باستخدام scikit-learn. كما وُفرت نصوص التحليل المستخدمة في المعالجة المسبقة للبيانات، واختيار الميزات، وتدريب النماذج، وتقييم الأداء، وتحليل منحنى القرار (DCA) كملفات برمجية تكميلية. ولتنفيذ النماذج، استُخدمت الميزات المختارة من انحدار LASSO كمتغيرات مدخلة لجميع المصنفات المرشحة. وتم توحيد المتغيرات المستمرة باستخدام تسوية z-score ضمن مجموعة التدريب، وطُبقت معايير القياس نفسها على مجموعة الاختبار الداخلية. كما تم ترميز المتغيرات الفئوية وفقاً لمخطط الترميز المحدد مسبقاً، وتوجد تعريفات المتغيرات ومخطط الترميز في Supplementary Table 2. وقد تم تنفيذ خمسة مصنفات هي: Gaussian Naive Bayes، وSVM، وKNN، وLightGBM، وMLP. وبالنسبة لـ SVM، تم ضبط نوع النواة (kernel type)، ومعامل التنظيم C، ومعامل النواة gamma. وبالنسبة لـ KNN، تم ضبط عدد الجيران واستراتيجية وزن المسافة. وبالنسبة لـ LightGBM، تم ضبط عدد المقدرات (estimators)، ومعدل التعلم، والعمق الأقصى للشجرة، وعدد الأوراق. وبالنسبة لـ MLP، تم ضبط هيكل الطبقة المخفية، ودالة التنشيط، ومعامل التنظيم، ومعدل التعلم. نُفذ Gaussian Naive Bayes باستخدام إعداد تنعيم التباين المحدد. واختير المزيج الأمثل للمعلمات الفائقة (hyperparameters) لكل نموذج بناءً على أداء التحقق المتقاطع ضمن مجموعة التدريب. وتلخص Supplementary Table 3 مجموعات المعلمات الفائقة النهائية المحسنة المختارة لكل نموذج. وبعد اختيار المعلمات الفائقة، أُعيد ملاءمة كل نموذج نهائي على كامل مجموعة التدريب، ثم تم تقييمه مرة واحدة في مجموعة الاختبار الداخلية.

مقارنات أداء النموذج

بناءً على المتنبئات المختارة، تم تطوير ومقارنة خمسة نماذج من تعلم الآلة (ML). وقُيِّم أداء النماذج في كل من مجموعتي التدريب والاختبار باستخدام المساحة تحت منحنى خصائص تشغيل المستقبل (AUC)، وفاصل الثقة 95% (95% CI)، والحساسية، والنوعية، والدقة. كما تم إنشاء منحنيات خصائص تشغيل المستقبل لمقارنة الأداء التمييزي للنماذج المختلفة. وتم تحديد عتبة التصنيف المثلى لكل نموذج حصرياً ضمن مجموعة التدريب باستخدام مؤشر يودن (Youden index). بعد ذلك، تم تثبيت العتبة المستمدة وتطبيقها دون تغيير على مجموعة الاختبار الداخلية لحساب مقاييس الأداء المعتمدة على العتبة.

تحليل منحنى القرار

تم إجراء تحليل منحنى قرار القرار (DCA) عن طريق حساب صافي الفائدة لكل نموذج عبر مجموعة من احتمالات العتبة، ومقارنة الاستراتيجية القائمة على النموذج مع استراتيجيتين افتراضيتين: علاج جميع المرضى وعدم علاج أي مريض. تم اختيار DCA لأنه يسمح بالتقييم المتزامن لأداء التمييز والقابلية للتطبيق السريري المحتمل في سياقات اتخاذ القرارات في الفترة المحيطة بالجراحة. ولتسهيل إمكانية التكرار، تم تنفيذ سير العمل الكامل بالتسلسل التالي: تحديد المرضى من نظام السجلات الطبية الإلكترونية، تطبيق معايير الاشتمال والاستبعاد، التحكيم في CIE بواسطة متخصصين مستقلين، استخراج ومراجعة المتغيرات الديموغرافية والتاريخ السريري والمختبرية والمتعلقة بالإجراء، حساب CGR، تقييم البيانات المفقودة وتقسيم مجموعة التدريب والاختبار، اختيار الميزات بناءً على LASSO ضمن مجموعة التدريب، ضبط المعلمات الفائقة عن طريق التحقق المتقاطع 10-fold، إعادة ملاءمة النموذج النهائي في مجموعة التدريب الكاملة، تقييم مجموعة الاختبار الداخلية، تقييم الأداء بناءً على ROC، تحديد عتبة مؤشر Youden، ثم إجراء DCA.

النتائج

تسجيل المرضى وتحديد CIE

شملت هذه الدراسة ما مجموعه 161 مريضاً خضعوا لإجراءات التدخل العصبي، أصيب من بينهم 12 مريضاً (7.5%) بـ CIE، بينما لم يصبه 149 مريضاً (92.5%). وتظهر عملية فحص المرضى وتوزيعهم على المجموعات بالتفصيل في الشكل 2. تم تشخيص CIE بناءً على الارتباط الزمني بين ظهور الأعراض وإجراءات التدخل العصبي، بالإضافة إلى نتائج التصوير الاستبعادية. وتظهر نتائج التصوير العصبي الممثلة لـ CIE في الشكل 3A–D.

تم تلخيص الخصائص الديموغرافية والسريرية والمخبرية والإجرائية الأساسية للمجموعتين في الجدول 1. ولم تُلاحظ فروق ذات دلالة إحصائية بين مجموعتي الإصابة بالاعتلال الدماغي الناتج عن استهلاك الكحول (CIE) وعدم الإصابة به من حيث العمر، أو توزيع الجنس، أو وزن الجسم (جميع قيم p > 0.05). وبالمثل، لم يختلف انتشار الأمراض المصاحبة الشائعة، بما في ذلك ارتفاع ضغط الدم، وداء السكري، ومرض الشريان التاجي، بشكل ملحوظ بين المجموعتين (جميع قيم p > 0.05). كما كانت عوامل نمط الحياة، مثل استهلاك الكحول وحالة التدخين، متقاربة أيضاً.

في المقابل، أظهرت عدة متغيرات مختبرية وإجرائية فروقاً ذات دلالة إحصائية بين المجموعتين. فقد سجل المرضى في مجموعة CIE مستويات كرياتينين في المصل أعلى بكثير مقارنة بمجموعة non-CIE (الوسيط: 85.2 مقابل 65.3 µmol/L، p = 0.004)، بينما كان معدل eGFR لديهم أقل بكثير (الوسيط: 81 مقابل 102.7 mL/min/1.73 m²، p < 0.001). وفيما يتعلق بخصائص الإجراءات، كانت عمليات الانصمام أكثر تكراراً بشكل ملحوظ في مجموعة CIE مقارنة بمجموعة non-CIE (41.7% مقابل 2.0%، p < 0.001). بالإضافة إلى ذلك، كانت آفات الدورة الدموية الخلفية أكثر شيوعاً بشكل ملحوظ بين المرضى الذين أصيبوا بـ CIE (58.3% مقابل 6.0%، p < 0.001). ولم يُلاحظ أي فرق معنوي في نوع المادة الظليلة المستخدمة بين المجموعتين (p = 0.982). علاوة على ذلك، تلقى المرضى في مجموعة CIE حجماً أكبر بكثير من المادة الظليلة أثناء الإجراء (الوسيط: 200.0 مقابل 165.0 mL، p = 0.005) وكانت مدة الإجراء لديهم أطول (الوسيط: 78.5 مقابل 50.0 min، p = 0.008). ومن الجدير بالذكر أن CGR، وهو مؤشر مركب مقترح في هذه الدراسة، كان أعلى بكثير في مجموعة CIE مقارنة بمجموعة non-CIE (الوسيط: 2.35 مقابل 1.63، p < 0.001)، مما يشير إلى وجود ارتباط قوي بين CGR وحدوث CIE.

جمع المتغيرات في الفترة المحيطة بالجراحة وبناء مخطط الرسم البياني للمخاطر التراكمية (CGR)

جُمعت المتغيرات الديموغرافية والمخبرية والإجرائية في الفترة المحيطة بالجراحة وحُللت بشكل منهجي كما هو موضح في البروتوكول. ومن بين هذه المتغيرات، تم إنشاء نسبة مادة التباين إلى معدل الترشيح الكبيبي (CGR)، والتي تُعرف بأنها نسبة إجمالي حجم مادة التباين إلى eGFR، كمؤشر مركب يعكس التوازن بين التعرض لمادة التباين وقدرة التصفية الكلوية. ارتبطت CGR بحدوث الإصابة بالاعتلال الكلوي الناجم عن مادة التباين (CIE) في هذه المجموعة، وأُدرجت كمتنبئ مرشح لتحليلات اختيار الميزات وتطوير النماذج. ولمقارنة CGR بمكوناتها الفردية، أجرينا تحليل منحنى خصائص التشغيل (ROC) مقارنًا باستخدام CGR، وإجمالي حجم مادة التباين، و eGFR. وأظهرت CGR أعلى قدرة تمييزية لـ CIE، حيث بلغت المساحة تحت المنحنى (AUC) 0.959 (فاصل ثقة 95%: 0.924–0.985)، مقارنة بإجمالي حجم مادة التباين (AUC = 0.745، فاصل ثقة 95%: 0.559–0.886) و eGFR التي حُللت في اتجاه المخاطر العكسي (AUC = 0.865، فاصل ثقة 95%: 0.764–0.951). وكان الفرق في AUC بين CGR وإجمالي حجم مادة التباين 0.214، بينما كان الفرق في AUC بين CGR و eGFR هو 0.093. تتوفر النتائج المفصلة في الجدول التكميلي 4.

اختيار الميزات وسير عمل تعلم الآلة

لتحديد المتنبئات الأكثر صلة مع تقليل التعدد الخطائي، تم تطبيق انحدار LASSO مع التحقق المتقاطع بمقدار 10 طيات على المتغيرات المرشحة. يظهر ملف المعاملات ومنحنيات التحقق المتقاطع لنموذج LASSO في الشكل 4A والشكل 4B، على التوالي. كما يظهر ترتيب معاملات LASSO للنموذج النهائي في الشكل 5. وعند قيمة λ المثلى، تم الاحتفاظ بمجموعة فرعية من المتغيرات، شملت CGR، ونوع الإجراء، وموقع الآفة، ومستويات الثلاثي جليسيريد، وكرياتينين المصل، وeGFR، والعديد من المتغيرات السريرية المصاحبة. ويتوفر الترتيب الكمي للمتنبئات التي تم الاحتفاظ بها بناءً على معاملات LASSO في الجدول التكميلي 5.

مقارنات أداء النموذج

تم تطوير خمسة مناهج لتعلم الآلة وهي: Naive Bayes وSVM وKNN وLightGBM وMLP للتنبؤ بخطر الإصابة بـ CIE. وقد لُخص أداؤها في مجموعات التدريب والاختبار في الجدول 2، وتظهر مقارنة الدقة للنماذج الخمسة في الشكل 6، كما تم توفير مصفوفات الارتباك المقابلة في الشكل التكميلي 1، والشكل التكميلي 2، والشكل التكميلي 3، والشكل التكميلي 4، والشكل التكميلي 5. ونظراً لأن مجموعة البيانات كانت غير متوازنة بشكل ملحوظ، حيث ضمت 12 حالة CIE و149 حالة غير مصابة بـ CIE، يجب تفسير الدقة والمقاييس القائمة على العتبة بحذر وبالتزامن مع الحساسية والنوعية وAUC وفواصل الثقة. وفي مجموعة التدريب، أظهرت جميع النماذج قدرة تمييزية جيدة، حيث تراوحت قيم AUC بين 0.961–0.999. أما في مجموعة الاختبار الداخلية، فقد أظهر نموذج Naive Bayes أعلى قيمة عددية (AUC = 0.952, 95% CI: 0.843–1.000)، يليه LightGBM (AUC = 0.944, 95% CI: 0.822–1.000) ثم SVM (AUC = 0.935, 95% CI: 0.796–1.000).

عند عتبة التصنيف المثلى التي تم تحديدها بواسطة مؤشر Youden، حقق نموذج Naive Bayes حساسية بلغت 100% ونوعية بلغت 90.3%. ونظراً لعدم إجراء مقارنات إحصائية زوجية رسمية بين المساحات تحت المنحنى (AUCs) للنماذج، يجب تفسير الاختلافات الملحوظة بين النماذج على أنها وصفية واستكشافية. بالإضافة إلى ذلك، وبسبب عدم التوازن الملحوظ في مجموعة البيانات وصغر حجم مجموعة الاختبار الداخلية التي تضمنت عدداً محدوداً جداً من أحداث CIE، فإن المقاييس القائمة على العتبة مثل الحساسية والنوعية قد تكون غير مستقرة ويجب تفسيرها بحذر. تظهر منحنيات خصائص التشغيل للمستقبل (ROC) لنموذج Naive Bayes في مجموعتي التدريب والاختبار في الشكل 7.

على الرغم من أن نموذج MLP قد حقق أداءً جيداً في مجموعة التدريب (AUC = 0.961)، إلا أن أداءه انخفض بشكل ملحوظ في مجموعة الاختبار (AUC = 0.742)، مما يشير إلى احتمال حدوث فرط في التخصيص (overfitting). وبالمثل، أظهر نموذج KNN قدرة تمييزية محدودة في مجموعة الاختبار (AUC = 0.718) مع فاصل ثقة واسع، مما يشير إلى عدم الاستقرار. وقد استُخدمت الاستراتيجية القائمة على مؤشر يودن (Youden index) لتحديد عتبة التصنيف المثلى للمقاييس المعتمدة على العتبة، بما في ذلك الحساسية والنوعية والدقة. وتعتبر قيم ROC-AUC نفسها مستقلة عن العتبة. وبناءً على ذلك، فإن مقاييس الأداء المعتمدة على العتبة والمذكورة تعكس سلوك النموذج عند نقطة التشغيل المثلى. تتوفر عتبات يودن المثلى والمقاييس المقابلة المعتمدة على العتبة في الجدول التكميلي 6. وبشكل عام، أظهر نموذج Naive Bayes أداءً وصفياً مستقراً نسبياً بين مجموعتي التدريب والاختبار الداخلي، مع انخفاض عددي طفيف في قيمة AUC.

تحليل منحنى القرار

أُجري تحليل منحنى قرار القرار (DCA) لتقييم الفائدة السريرية للنماذج عبر مجموعة من احتمالات العتبة. وتظهر منحنيات DCA في الشكل 8. وأظهرت جميع النماذج فائدة صافية إيجابية ضمن نطاقات محددة من احتمالات العتبة مقارنة باستراتيجيتي "علاج الجميع" و"عدم علاج أحد". ومن بين النماذج التي تم تقييمها، أظهر نموذج SVM أوسع نطاق للفائدة الصافية الإيجابية، بينما أظهرت النماذج الأخرى أيضاً فائدة سريرية محتملة ضمن نطاقات عتبة محددة.

توافر البيانات:

تم رفع البيانات الخام مجهولة الهوية المستخدمة لدعم التحليلات الرئيسية على GitHub وهي متاحة عبر الرابط التالي: https://doi.org/10.5281/zenodo.20043331. وقد تمت إزالة جميع معرفات المرضى المباشرة قبل مشاركة البيانات. ونظرًا لأن هذه الدراسة السريرية كانت استعادية تعتمد على السجلات الطبية للمستشفى، فإن الوصول إلى أي معلومات إضافية على مستوى المريض يظل مقيدًا بموجب المتطلبات الأخلاقية ومعايير الخصوصية المؤسسية. ويمكن توفير بيانات إضافية مجهولة الهوية من المؤلف المسؤول بناءً على طلب معقول وبموافقة لجنة الأخلاقيات المؤسسية. كما تم توفير نصوص التحليل الإحصائي، وأكواد تدريب نموذج ML، وأكواد إنشاء الأشكال كملفات تكميلية لدعم قابلية إعادة الإنتاج.

الشكل 1: سير عمل نمذجة مخاطر CIE بناءً على البيانات المحيطة بالعملية الجراحية. (A) آليات CIE واشتقاق نسبة حجم الصبغة إلى eGFR (CGR). (B) تكامل البيانات واختيار الميزات القائم على LASSO. (C) تطوير ومقارنة نموذج ML، حيث أظهر Naive Bayes أعلى قيمة عددية لـ AUC في مجموعة الاختبار الداخلية (AUC ≈ 0.95). الاختصارات: CIE = اعتلال الدماغ الناجم عن الصبغة؛ CGR = نسبة حجم الصبغة إلى eGFR؛ eGFR = معدل الترشيح الكبيبي التقديري؛ AUC = المساحة تحت المنحنى. تم اشتقاق الشكل من البيانات السريرية الخاصة بالمؤلفين، وأنشأ المؤلفون الرسم التوضيحي أصلاً باستخدام أيقونات Microsoft PowerPoint المعدلة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 2: اختيار المرضى وتوزيع المجموعات. مخطط تدفق يوضح فحص المرضى، وتقييم الأهلية، ومعايير الاستبعاد، وتعيين المجموعات. تم تقييم إجمالي 225 مريضاً في البداية. وبعد تطبيق معايير الإدراج، والتي شملت أن يتراوح العمر بين 30 و 80 عاماً، وتوافر بيانات سريرية كاملة، وإجراء تصوير مقطعي محوسب للرأس بعد الجراحة في غضون 3 أيام، تبين أن 190 مريضاً مؤهلون. تم استبعاد المرضى بناءً على وجود احتشاء دماغي حاد، أو مرض الكلى المزمن من المرحلة ≥ G4 (eGFR < 30 mL/min/1.73 m²)، أو أمراض قلبية وعائية شديدة، أو عدم الخضوع لعلاج وعائي داخلي، أو عجز عصبي شديد (درجة مقياس رانكن المعدل ≥ 4)، أو عدم اكتمال البيانات. وفي النهاية، تم إدراج 161 مريضاً وتوزيعهم عشوائياً على مجموعة التدريب (n = 128) ومجموعة الاختبار الداخلية (n = 33) بنسبة 8:2. الاختصارات: CT = التصوير المقطعي المحوسب؛ eGFR = معدل الترشيح الكبيبي المقدر؛ CKD = مرض الكلى المزمن؛ mRS = مقياس رانكن المعدل. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3: صور أشعة مقطعية متسلسلة بدون صبغة لمريض مصاب بـ CIE. (A) الأشعة المقطعية المرجعية قبل الإجراء. (B) الأشعة المقطعية عند ظهور الأعراض، وتظهر كثافة مفرطة قشرية في الفص الجداري الأيمن (السهم). (C) الأشعة المقطعية في اليوم الأول بعد الجراحة وتظهر تحسناً جزئياً. (D) الأشعة المقطعية في اليوم الثاني بعد الجراحة وتظهر مزيداً من التحسن. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 4: اختيار الميزات القائم على LASSO. (A) منحنى التحقق المتقاطع العشري المستخدم لتحديد القيمة المثلى لـ λ بناءً على الحد الأدنى من MSE. (B) ملفات تعريف المعاملات للمتغيرات المرشحة مرسومة مقابل log(λ)، وتوضح التغيرات في معاملات المتغيرات مع زيادة قوة التنظيم. الاختصارات: LASSO = عامل الاختيار والتقليص المطلق الأدنى؛ λ = معامل التنظيم؛ MSE = متوسط مربع الخطأ. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 5: معاملات المتغيرات المختارة. مخطط شريطي يوضح معاملات المتغيرات التي تم الاحتفاظ بها بعد اختيار LASSO. تشير المعاملات الموجبة إلى وجود ارتباط إيجابي؛ بينما تشير المعاملات السالبة إلى وجود ارتباط عكسي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 6: دقة التدريب والاختبار لنماذج تعلم الآلة الخمسة. دقة خمسة نماذج لتعلم الآلة (Naive Bayes و SVM و KNN و LightGBM و MLP) في مجموعات التدريب والاختبار. الاختصارات: SVM = آلة متجه الدعم؛ KNN = k-أقرب جار؛ LightGBM = آلة تعزيز التدرج الخفيف؛ MLP = البيرسيبترون متعدد الطبقات. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 7: منحنيات ROC لنموذج Naive Bayes. منحنيات خصائص تشغيل المستقبل لمجموعات التدريب والاختبار الداخلي مع قيم المساحة تحت المنحنى المقابلة. الاختصارات: ROC = خصائص تشغيل المستقبل؛ AUC = المساحة تحت المنحنى. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 8: تحليل منحنى القرار. يوضح تحليل DCA المنفعة الصافية لنماذج مختلفة عبر احتمالات العتبة مقارنة باستراتيجيتي "علاج الجميع" و"عدم علاج أحد". تشير المناطق المظللة إلى نطاقات احتمالية العتبة التي حقق فيها النموذج منفعة صافية إيجابية مقارنة بكل من استراتيجيتي "علاج الجميع" و"عدم علاج أحد". الاختصارات: DCA = تحليل منحنى القرار. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل التكميلي 1: مصفوفة الارتباك لنموذج Naive Bayes في مجموعة الاختبار الداخلية.تعرض المصفوفة أعداد العينات التي تم تصنيفها بشكل صحيح وخاطئ عند عتبة التصنيف المختارة.يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي 2: مصفوفة الارتباك لنموذج SVM في مجموعة الاختبار الداخلية. تعرض المصفوفة أعداد العينات التي تم تصنيفها بشكل صحيح وخاطئ عند عتبة التصنيف المختارة.يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي 3: مصفوفة الارتباك لنموذج KNN في مجموعة الاختبار الداخلية. تعرض المصفوفة أعداد العينات التي تم تصنيفها بشكل صحيح وبشكل خاطئ عند عتبة التصنيف المحددة.يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي 4: مصفوفة الارتباك لنموذج LightGBM في مجموعة الاختبار الداخلية.توضح المصفوفة أعداد العينات التي تم تصنيفها بشكل صحيح وخاطئ عند عتبة التصنيف المختارة.يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي 5: مصفوفة الارتباك لنموذج MLP في مجموعة الاختبار الداخلية. تعرض المصفوفة أعداد العينات المصنفة بشكل صحيح وبشكل خاطئ عند عتبة التصنيف المختارة.يرجى النقر هنا لتنزيل هذا الملف.

خاصية	CIE ( ن = 12 )	غير المصابين بالاعتلال الدماغي الناجم عن نقص الأكسجين ( ن = 149 )	ب قيمة
البيانات الديموغرافية
العمر (بالسنوات)، الوسيط (المدى الربيعي)	67 (62.5–69.0 )	63 ( 55.0–70.0 )	0.194
ذكر، ن (%)	9 (75.0)	105 (70.5)	1.000
الوزن (كجم)، الوسيط (المدى الربيعي)	65 (55.0–70.0)	70 (60.0–77.5)	0.160
الأمراض المصاحبة، العدد (%)
فرط ضغط الدم	7 (58.3)	102 (68.5)	0.526
داء السكري	4 (33.0)	57 (38.3)	1.000
مرض الشريان التاجي	2 (16.7)	23 (15.4)	1.000
العادات، ن (%)
استخدام الكحول	7 (58.3)	78 (52.3)	0.770
حالة التدخين	7 (58.3)	59 (39.6)	0.233
القيم المخبرية، الوسيط (المدى الربيعي)
كرياتينين المصل (ميكرومول/لتر)	85.2 (65.0–89.0)	65.3 (54.9–75.7)	0.004
معدل الرشح الكبيبي التقديري (مل/دقيقة/1.73م²)	81.0 (60.6–90.3)	102.7 (89.0–116.3)	<0.001
إجمالي الكوليسترول (مليمول/لتر)	3.3 (3.0–4.4)	3.4 (2.9–4.1)	0.775
الدهون الثلاثية (مليمول/لتر)	1.8 (1.2–2.1)	1.2 (0.8–1.6)	0.017
خصائص الإجراء
نوع الإجراء، العدد ( % )			<0.001
- توسيع الأوعية الدموية بالدعامة	7 (58.3)	146(98.0)
- الانصمام	5 (41.7)	3 (2.0)
موقع الآفة، العدد (%)			<0.001
- الدورة الدموية الخلفية	7 (58.3)	9 (6.0)
- الدورة الدموية الأمامية	5 (41.7)	140 (94.0)
نوع المادة التباينية، العدد (%)			0.982
- الجيل الثاني	6 (50.0)	75 (50.3)
- الجيل الثالث	6(50.0)	74 (49.7)
إجمالي حجم المادة المتباينة (مل)، الوسيط (المدى الربيعي)	200 (188.0–200.0)	165 (155.0–180.0)	0.005
مدة الإجراء (دقيقة)، الوسيط (المدى الربيعي)	78.5 (52.5–124.5)	50 (47.0–57.0)	0.008
الفهرس الحديث
معدل النمو التراكمي، الوسيط (المدى الربيعي)	2.35 (2.17–2.70)	1.63 (1.40–1.85)	<0.001

الجدول 1: الخصائص السريرية الأساسية للمرضى. تمت مقارنة الخصائص الديموغرافية والسريرية والمخبرية والخصائص المتعلقة بالإجراءات بين مجموعتي اعتلال الدماغ الناجم عن الصبغة (CIE) وغير المصابة به. تُعرض المتغيرات المستمرة في صورة المتوسط ± الانحراف المعياري أو الوسيط (المدى الربيعي)، وتُعرض المتغيرات الفئوية في صورة العدد والنسبة المئوية. أُجريت المقارنات الإحصائية بين المجموعات باستخدام الاختبارات المعلمية أو غير المعلمية المناسبة. الاختصارات: CIE = اعتلال الدماغ الناجم عن الصبغة؛ eGFR = معدل الترشيح الكبيبي التقديري؛ CGR = نسبة حجم الصبغة إلى معدل الترشيح الكبيبي التقديري؛ IQR = المدى الربيعي؛ SD = الانحراف المعياري.

اسم النموذج	الدقة	AUC	95% CI	الحساسية	النوعية	مجموعة البيانات
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	تدريب
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	اختبار
SVM	0.992	0.999	0.997–1.000	1.0	0.992	تدريب
SVM	0.879	0.935	0.796–1.000	1.0	0.871	اختبار
KNN	0.891	0.969	0.941–0.997	1.0	0.881	تدريب
KNN	0.939	0.718	0.194–1.000	0.5	0.968	اختبار
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	تدريب
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	اختبار
MLP	0.914	0.961	0.908–1.000	0.9	0.915	تدريب
MLP	0.970	0.742	0.228–1.000	0.5	1.000	اختبار

الجدول 2: مقارنة أداء النماذج. تم تقييم الأداء التنبؤي لنماذج تعلم الآلة (ML) المختلفة باستخدام الدقة، والمساحة تحت المنحنى (AUC)، وفاصل الثقة 95% (CI)، والحساسية، والنوعية في مجموعات بيانات التدريب والاختبار الداخلية. الاختصارات: CI = فاصل الثقة.

الجدول التكميلي 1: ملخص لتقييم البيانات المفقودة قبل تطوير النموذج. ملخص للقيم المفقودة لجميع المتغيرات التنبؤية المرشحة قبل تطوير النموذج. لم يتم رصد أي قيم مفقودة بين المتغيرات المدرجة؛ وبناءً عليه، لم يتم إجراء أي عملية تعويض للبيانات.يرجى النقر هنا لتحميل هذا الملف.

الجدول التكميلي 2: قاموس المتغيرات الخاص بمجموعة البيانات التحليلية. تعريفات، وطرق الترميز، وفئات المتغيرات، وتوصيفات المتغيرات السريرية والمخبرية والمتعلقة بالإجراءات المضمنة في تحليل تعلم الآلة (ML).يرجى النقر هنا لتنزيل هذا الملف.

الجدول التكميلي 3: نطاق البحث عن المعلمات الفائقة والمعلمات المختارة لنماذج تعلم الآلة. يتم تلخيص نطاقات المعلمات الفائقة المرشحة والمعلمات المُحسّنة التي تم الحصول عليها أثناء ضبط النموذج لكل خوارزمية من خوارزميات تعلم الآلة.يرجى النقر هنا لتنزيل هذا الملف.

الجدول التكميلي 4: تحليل ROC المقارن لـ CGR ومكوناته الفردية. تم إجراء تحليل خصائص تشغيل المستقبل (ROC) لمقارنة الأداء التنبؤي لـ CGR ومكوناته الفردية في التنبؤ بـ CIE.يرجى النقر هنا لتحميل هذا الملف.

الجدول التكميلي 5: تصنيف السمات الكمية بناءً على معاملات LASSO. تم تصنيف المتغيرات المختارة وفقًا لقيم معاملاتها بعد تحليل انحدار LASSO، مما يوضح المساهمة النسبية واتجاه الارتباط لكل متغير في النموذج التنبئي.يرجى النقر هنا لتنزيل هذا الملف.

الجدول التكميلي 6: عتبات يودن (Youden thresholds) التي تم تحديدها في مجموعة التدريب ومقاييس أداء التصنيف المقابلة لها. تم تحديد العتبة المثلى لكل نموذج حصرياً في مجموعة التدريب باستخدام مؤشر يودن، ثم تم تثبيتها وتطبيقها على مجموعة الاختبار الداخلية. وقد حُسبت الدقة والحساسية والنوعية في مجموعة الاختبار الداخلية باستخدام هذه العتبات الثابتة.يرجى النقر هنا لتحميل هذا الملف.

المناقشة

تُعد اعتلالات الدماغ الناجمة عن مواد التباين (CIE) مضاعفة نادرة ولكنها قد تكون خطيرة بعد الإجراءات التداخلية العصبية، وتتميز بخلل وظيفي عصبي حاد يحدث بعد فترة وجيزة من التعرض لعوامل التباين. وعلى الرغم من أن هذه الحالة تكون عادةً قابلة للتراجع، إلا أنها قد تؤدي في بعض الحالات إلى عجز عصبي مستمر أو حتى نتائج مهددة للحياة، مما يؤكد أهمية التحديد المبكر للمخاطر^17,18,19,20. ومع ذلك، فإن الآليات الفيزيولوجية المرضية الكامنة وراء CIE معقدة ومتعددة العوامل، حيث تشمل تفاعلات بين عوامل خاصة بالمريض، وخصائص عامل التباين، وسمات الإجراء الطبي^{9,10,21,22,23,24}. وهذا التعقيد يجعل من الصعب للغاية تحقيق تقييم دقيق للمخاطر في الفترة المحيطة بالجراحة بناءً فقط على متغيرات سريرية مفردة أو تقديرات تجريبية.

في هذه الدراسة، تم بناء وتقييم خمسة نماذج من تعلم الآلة (ML) للتنبؤ بخطر الإصابة بالانصمام الخثاري الدماغي (CIE) لدى المرضى الذين يخضعون لتدخلات وعائية دماغية. وبعد مقارنة الأداء الوصفي، تم تحديد نموذج Naive Bayes كنموذج يتمتع بالأداء الوصفي الأكثر توازناً في هذه الدراسة. ومن حيث قدرة النموذج على التمييز، أظهر نموذج Naive Bayes أعلى قيمة عددية للمساحة تحت المنحنى (AUC) في مجموعة الاختبار الداخلية (AUC = 0.952؛ 95% CI: 0.843–1.000)، مقارنة بنماذج LightGBM (AUC = 0.944؛ 95% CI: 0.822–1.000)، وSVM (AUC = 0.935؛ 95% CI: 0.796–1.000)، وMLP (AUC = 0.742؛ 95% CI: 0.228–1.000)، وخوارزمية KNN (AUC = 0.718، 95% CI: 0.195–1.000). ونظراً لعدم إجراء مقارنة إحصائية زوجية رسمية بين قيم AUC للنماذج، يجب تفسير هذه الاختلافات على أنها وصفية وليست دليلاً قاطعاً على تفوق نموذج معين. وجدير بالذكر أن نماذج KNN وMLP قدمت أداءً جيداً في مجموعة التدريب (AUC = 0.969 و0.961 على التوالي)، ولكن أداءهما انخفض بشكل ملحوظ في مجموعة الاختبار، مما يشير إلى احتمال حدوث فرط في التخصيص (overfitting)²⁵. في المقابل، حافظ نموذج Naive Bayes على قيم AUC وصفية مماثلة بين مجموعة التدريب ومجموعة الاختبار الداخلية (الفرق في AUC = 0.009)، مما يشير إلى أداء وصفي مستقر نسبياً في مجموعة البيانات هذه. ومع ذلك، ينبغي تفسير هذا الاستقرار الظاهري بحذر لأن مجموعة الاختبار الداخلية شملت 33 مريضاً فقط وعدد محدود جداً من حالات CIE.

من منظور عملي، قد تكون البنية الاحتمالية البسيطة نسبياً لنموذج Naive Bayes مناسبة لمجموعات البيانات السريرية ذات العينات الصغيرة، خاصة عندما يكون عدد أحداث النتائج محدوداً. في هذه الدراسة، أظهر نموذج Naive Bayes أداءً وصفياً متوازناً نسبياً بين مجموعتي التدريب والاختبار الداخلية. ومع ذلك، وبسبب صغر حجم مجموعة الاختبار الداخلية واحتوائها على عدد قليل جداً من أحداث CIE، يجب تفسير هذا الاستقرار الظاهري بحذر، وهو ما يتطلب تحققاً خارجياً. قد يرتبط الأداء الوصفي المفضل نسبياً لنموذج Naive Bayes في مجموعة البيانات هذه ببنيته الاحتمالية البسيطة وملاءمته لسياقات العينات الصغيرة تحت افتراض استقلالية السمات^14,15. في المقابل، فإن النماذج الأكثر تعقيداً مثل MLP وLightGBM تكون أكثر عرضة للإفراط في التخصيص (overfitting) في ظل ظروف العينات المحدودة، مما يقلل من قدراتها على التعميم. وتشير هذه النتائج أيضاً إلى أنه في مجالات البحث الموجهة سريرياً وعالية المخاطر مثل التدخلات العصبية، يجب أن يولي اختيار النموذج تركيزاً أكبر على الاستقرار، وقابلية التكرار، والجدوى السريرية، بدلاً من السعي الأعمى وراء التفوق المطلق للخوارزميات المعقدة أو مقاييس أداء فردية. أشارت DCA إلى أن نموذج Naive Bayes قد يوفر فائدة صافية عبر احتمالات العتبة المختارة، ولكن هذه النتيجة تظل استكشافية وتتطلب تحققاً خارجياً. علاوة على ذلك، فإن بنيته البسيطة، وحسابه الفعال، وقابلية تفسيره قد تدعم تقييمه مستقبلاً كنموذج استكشافي لتصنيف المخاطر في الفترة المحيطة بالجراحة، ولكن التحقق الخارجي ضروري قبل التطبيق السريري. ومن منظور سريري، بلغت نسبة حدوث CIE في هذه الدراسة 7.5%، وهي أعلى من نسبة 2%–5% الموثقة عموماً في التقارير السابقة⁷. ويعود هذا التباين بشكل كبير إلى الطبيعة الانتقائية العالية لمجتمع الدراسة: حيث ركزت المجموعة على المرضى الذين يعانون من أمراض الأوعية الدموية الدماغية والذين خضعوا لإجراءات تدخلية عصبية معقدة مثل انصمام تمدد الأوعية الدموية (aneurysm embolization). إن التباين الفريد في أنماط إعطاء المادة الملونة المرتبط بهذه الإجراءات، مثل تصوير الأوعية الانتقائي للغاية والاحتفاظ الموضعي بجرعات عالية—بالإضافة إلى فترات الإجراءات الأطول، كلها عوامل خطر معروفة لـ CIE^9,10,26. علاوة على ذلك، فإن ارتفاع المخاطر الأساسية للمرضى يزيد من معدل الحدوث الإجمالي. وتؤكد نتائج الدراسة أن آفات الدورة الدموية الخلفية وإجراءات الانصمام هي مؤشرات قوية لـ CIE. ومن الناحية التشريحية، تغذي الدورة الدموية الخلفية (الجهاز الفقري القاعدي) جذع الدماغ والمخيخ والفص القفوي. ويظهر الفص القفوي حساسية عالية جداً لسمية المادة الملونة، وهو ما يفسر سبب ظهور العمى القشري غالباً لدى مرضى CIE. بالإضافة إلى ذلك، تختلف الخصائص الديناميكية الدموية للجهاز الفقري القاعدي عن تلك الخاصة بالدورة الدموية الأمامية، مما قد يفسر جزئياً الارتباط الملحوظ بين آفات الدورة الدموية الخلفية وCIE في هذه المجموعة.

عادةً ما تكون إجراءات الانصمام أكثر تحدياً من عمليات توسيع الأوعية الدموية البسيطة، حيث تتطلب تصويراً وعائياً فائق الانتقائية بشكل متكرر للتأكد من موضع الملفات ومدى انسداد الخثرة، مما يؤدي إلى تعرض السرير الوعائي المحلي لذروة تركيز أعلى بكثير من المادة المتباينة لكل وحدة زمنية مقارنة بالإجراءات الروتينية. وقد يكون هذا التعرض المكثف والموضعي للمادة المتباينة مساهماً منطقياً بيولوجياً في تعطيل الحاجز الدموي الدماغي (BBB)، على الرغم من عدم إمكانية التحقق من هذه الآلية بشكل مباشر في هذه الدراسة الاسترجاعية الحالية. وبالاتساق مع تحليل الخصائص الأساسية، أظهر المرضى في مجموعة CIE معدلات أعلى بكثير من علاج الانصمام ونسبة أكبر من آفات الدورة الدموية الخلفية مقارنة بأولئك في مجموعة non-CIE، مما يشير إلى أن التعقيد الجراحي والموقع التشريحي للآفة قد يكونان مرتبطين بحدوث CIE. علاوة على ذلك، فإن طول مدة الإجراء وزيادة إجمالي استخدام المادة المتباينة في مجموعة CIE يؤكدان بشكل أكبر التأثير التراكمي للمجهدات المرتبطة بالجراحة على خطر تطور CIE.

لتعزيز القابلية للتفسير السريري للنموذج، قيمت هذه الدراسة معدل التخلص من الصبغة (CGR) كمؤشر مركب استكشافي. لا يعتمد خطر حدوث CIE على الجرعة المطلقة لعامل التباين التي تدخل الأوعية الدموية الدماغية فحسب، بل يرتبط أيضاً بشكل وثيق بالمعدل الذي يتم به التخلص من عامل التباين من الدورة الدموية الجهازية. يدمج CGR الحجم الإجمالي للتباين ومعدل الترشيح الكبيبي التقديري (eGFR) في مؤشر مركب واحد يعكس عبء عامل التباين بالنسبة لقدرة التصفية الكلوية. يستند نهج التصميم هذا إلى النموذج القائم على النسب الراسخ والمستخدم في التنبؤ باعتلال الكلية الناجم عن الصبغة (CIN)، مثل نسبة حجم عامل التباين إلى eGFR²⁷، ويتماشى مع الاستراتيجيات الحالية لبناء مؤشرات حيوية شاملة مثل نسبة العدلات إلى اللمفاويات (NLR)²⁸ ومؤشر الدهون الثلاثية والجلوكوز (TyG)²⁹، والتي تهدف جميعها إلى الكشف عن الحالات الفيزيولوجية المرضية الكامنة للأمراض. تُفرز عوامل التباين اليودية بشكل أساسي عن طريق الكلى في شكلها الأصلي. وعندما تنخفض التصفية الكلوية، قد يطول التعرض الجهازي لعوامل التباين اليودية، مما قد يزيد من تعرض الخلايا المبطانية لعوامل التباين. خلال الإجراءات التداخلية العصبية، غالباً ما تُحقن عوامل التباين مباشرة في الدورة الدموية الدماغية عبر الشرايين السباتية الداخلية أو الشرايين الفقارية بتركيزات عالية؛ وقد يؤدي تدرج الضغط الاسموزي الشديد موضعياً إلى تعطيل سلامة الحاجز الدموي الدماغي (BBB)³⁰. وفي هذه المرحلة، إذا كانت التصفية الجهازية ضعيفة، فقد يستمر عامل التباين المتراكم في مجرى الدم في الحفاظ على تدرج التركيز عبر BBB، مما يدفع انتشار عامل التباين إلى الحيز الخلالي للدماغ. علاوة على ذلك، قد يوفر CGR طريقة بديهية سريرياً لدمج عبء التباين والتصفية الكلوية، إلا أن قيمته التنبؤية الإضافية مقارنة بحجم التباين أو eGFR وحدهما تتطلب مزيداً من التحقق. لذلك، قد يعمل CGR كمؤشر استكشافي لتصنيف مخاطر CIE في الفترة المحيطة بالجراحة.

وجدت هذه الدراسة أن نوع مادة التباين (منخفضة الأسمولية من الجيل الثاني مقابل متساوية الأسمولية من الجيل الثالث) لم يكن له قيمة تنبؤية مستقلة ذات دلالة إحصائية بالنسبة لـ CIE (p = 0.982). ولا تتفق هذه النتيجة تماماً مع بعض التقارير السابقة. ومن التفسيرات المحتملة أن عوامل أخرى غير الأسمولية، مثل السمية الكيميائية أو اللزوجة، قد تساهم في السمية العصبية الناتجة عن مادة التباين؛ ومع ذلك، يظل هذا التفسير نظرياً ويتطلب مزيداً من التحقق الميكانيكي. وهذا التفسير مدعوم بدراسات سريرية وميكانيكية سابقة^31,32. علاوة على ذلك، قد يفضل المشغلون في الممارسة السريرية اختيار مواد التباين متساوية الأسمولية من الجيل الثالث للمرضى المعرضين لمخاطر عالية، مما يؤدي إلى تحيز محتمل مرتبط بالاستطباب قد يخفي أي اختلافات جوهرية بين الأنواع المختلفة من مواد التباين.

يجب التأكيد على عدة خطوات بروتوكولية حرجة لضمان التطبيق الناجح لسير العمل هذا. أولاً، يعد التحكيم الدقيق للنتائج أمراً أساسياً لأن التصنيف غير الدقيق لـ CIE سيؤثر بشكل مباشر على تدريب النموذج وتقييمه. يجب تقييم الحالات المشتبه في إصابتها بـ CIE باستخدام العلاقة الزمنية بين التعرض للمادة المباينة وظهور الأعراض، والمظاهر العصبية، ونتائج التصوير بعد الجراحة، واستبعاد التشخيصات البديلة. ثانياً، يعد الاستخراج والتحقق الدقيق من إجمالي حجم المادة المباينة و eGFR أمراً مهماً لأن هذين المتغيرين يحددان حساب CGR. ثالثاً، يجب حساب CGR باستخدام القاعدة نفسها لجميع المرضى بعد التأكد من كل من إجمالي حجم المادة المباينة و eGFR. رابعاً، يجب إجراء اختيار الميزات، وتقدير معاملات التعويض، وضبط المعلمات الفائقة، وتدريب النموذج ضمن مجموعة التدريب فقط لتجنب تسرب البيانات. وأخيراً، نظراً لأن CIE غير شائع وعدد الحالات محدود، يجب تفسير أداء النموذج بحذر والتحقق منه خارجياً قبل التطبيق السريري³³.

يجب أيضاً مراعاة العديد من تعديلات المنهجية واستراتيجيات استكشاف الأخطاء وإصلاحها عند تطبيق سير العمل هذا في سياقات أخرى. إذا كانت نسبة البيانات المفقودة مرتفعة، فينبغي للباحثين أولاً تحديد ما إذا كان الفقد عشوائياً، ويجب تجنب تعويض المتغيرات التي تعاني من فقدان مفرط في البيانات. وفي حال كان عدد حالات CIE صغيراً جداً، يجب تقليل تعقيد النموذج، وقد يُفضل استخدام نماذج أبسط أو نماذج مُعاقبة (penalized models) للحد من فرط التخصيص (overfitting). وإذا تم تطبيق سير العمل في مركز آخر، فيجب توحيد تعريفات المتغيرات، وقواعد الترميز، وطرق حساب eGFR، وممارسات تسجيل حجم المادة المتباينة، ومعايير مراجعة التصوير قبل تدريب النموذج. أما إذا تراجع أداء النموذج أثناء التحقق الداخلي أو الخارجي، فيجب فحص الأسباب المحتملة مثل عدم توازن الفئات، وتسرب البيانات، وعدم اتساق المعالجة المسبقة، وعدم استقرار اختيار الميزات، والاختلافات في مزيج حالات المرضى. وبالنسبة للحالات التي يكون فيها تشخيص CIE غير مؤكد، يُوصى بالتحكيم من قبل عدة أطباء سريريين ذوي خبرة والاستبعاد الدقيق للتشخيصات البديلة قبل تطوير النموذج.

تعاني هذه الدراسة من القيود التالية: أولاً، تتبع هذه الدراسة تصميماً استرجاعياً في مركز واحد مع عدد محدود من حالات CIE. فقد حدثت 12 حالة CIE فقط بين 161 مريضاً مشمولاً، كما تضمنت مجموعة الاختبار الداخلية 33 مريضاً فقط مع عدد محدود جداً من حالات CIE. وبناءً على ذلك، قد تكون مقاييس الأداء مثل AUC والحساسية والنوعية غير مستقرة وحساسة للغاية لتصنيف حالة واحدة أو حالتين فقط. وفي المستقبل، ستكون هناك حاجة إلى التحقق الخارجي من خلال دراسات استباقية متعددة المراكز وعينات كبيرة للتأكيد بشكل أكبر على موثوقية النموذج. ثانياً، يعتمد النموذج المطور في هذه الدراسة بشكل أساسي على المتغيرات السريرية الروتينية التي تم جمعها قبل وأثناء الجراحة. وفي المستقبل، يمكننا دمج معاملات حركية مادة التباين أثناء الجراحة، وخصائص التصوير المبكر بعد الجراحة، والمؤشرات الحيوية المصلية المحددة لبناء نظام أكثر ديناميكية وشمولية للتنبؤ بمخاطر CIE. ثالثاً، أدى انخفاض معدل حدوث CIE (7.5%) إلى عدم توازن ملحوظ في الفئات، حيث توجد 12 حالة CIE فقط مقابل 149 حالة غير مصابة بـ CIE. وقد يقلل هذا الاختلال من موثوقية مقاييس أداء النموذج؛ فقد تبالغ الدقة في تقدير أداء النموذج عندما تهيمن فئة غير المصابين بـ CIE على مجموعة البيانات، بينما قد تكون الحساسية والنوعية والقيمة التنبؤية الإيجابية والقيمة التنبؤية السلبية غير مستقرة لأنها تتأثر بعدد صغير جداً من حالات CIE. لذا، يجب اعتبار النموذج المقترح حالياً كإطار عمل استكشافي لتصنيف المخاطر وليس كأداة نهائية لاتخاذ القرارات السريرية. ولم يتم إجراء المزيد من عمليات التحقق المتقاطع المكررة أو التحقق القائم على إعادة أخذ العينات في هذه الدراسة لأن عدد حالات CIE كان محدوداً للغاية، وقد تؤدي مثل هذه التحليلات إلى تقديرات غير مستقرة في ظل عدم التوازن الملحوظ في الفئات. ومن ثم، فإن التحقق الخارجي متعدد المراكز والتقييم الاستباقي ضروريان قبل التطبيق السريري.

باختصار، قارنت هذه الدراسة بشكل منهجي عدة نماذج من تعلم الآلة (ML)، ووجدت أن نموذج Naive Bayes أظهر الأداء الوصفي الأكثر توازناً للتنبؤ بـ CIE في مجموعة البيانات الحالية. قد يوفر هذا النموذج دعماً أولياً لتقسيم المخاطر في الفترة المحيطة بالجراحة، ولكن فائدته السريرية تتطلب مزيداً من التحقق. علاوة على ذلك، قيمت هذه الدراسة CGR كمقياس مركب استكشافي، والذي يحدد كمياً عدم التوازن بين "حمولة المادة الظليلة والتصفية الكلوية". وقد ظهر CGR كأحد أكثر المتنبئات تأثيراً في النموذج، وقد يوفر معلومات مفيدة لتقييم المخاطر الفردية في الفترة المحيطة بالجراحة. قد تساعد هذه النتائج في صياغة فرضيات لتحديد المرضى المعرضين لمخاطر عالية الذين يخضعون لإجراءات التدخل العصبي، ولكن هناك حاجة إلى مزيد من الدراسات بعينات أكبر وتحقق خارجي. كما تبرز الحاجة إلى دراسات مستقبلية بعينات أكبر وتحقق خارجي لتحديد ما إذا كانت النماذج التنبؤية متعددة الوسائط يمكن أن تحسن تقسيم مخاطر CIE وتدعم وقاية وإدارة أكثر دقة لهذه المضاعفات.

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
نظام السجلات الطبية الإلكترونية	مستشفى المسرح الشمالي العام (Northern Theater General Hospital)	النظام السريري المؤسسي	يستخدم لاستخراج البيانات بأثر رجعي جمع متغيرات البيانات الديموغرافية والتاريخ السريري
نظام معلومات المختبر	مستشفى المسرح الشمالي العام (Northern Theater General Hospital)	النظام المختبري المؤسسي	يستخدم لاستخراج البيانات المختبرية بأثر رجعي جمع بيانات الكرياتينين في المصل، ومعدل الترشيح الكبيبي التقديري (eGFR)، وملف الدهون، والبيانات المختبرية الأخرى
نظام تصوير الأوعية بالطرح الرقمي	Philips	Allura Xper FD 20 (مع محطة عمل التدخلات R1.3.2)	يستخدم خلال الإجراءات السريرية الروتينية إجراء التدخلات العصبية وتسجيل استخدام المادة الملونة
جهاز التصوير المقطعي المحوسب (CT Scanner)	Philips	Ingenuity CT	يستخدم لتقييم التصوير بعد الجراحة تقييم التصوير المقطعي المحوسب للقحف بعد الجراحة
منصة OnekeyAI لتحليل البيانات المهيكلة	OnekeyAI	20240916	تستخدم كأداة بحثية؛ وليس لها دور في اتخاذ القرارات السريرية المعالجة المسبقة للبيانات المهيكلة، وبناء النموذج، وتقييم النموذج، وتوليد الأشكال التوضيحية
Python	مؤسسة برمجيات Python	3.7.12	لغة برمجة مفتوحة المصدر المعالجة المسبقة للبيانات، والتحليل الإحصائي، وتطوير النماذج، والتصور البياني
scikit-learn	مطورو scikit-learn	1.0.2	مكتبة تعلم آلي مفتوحة المصدر بلغة Python LASSO، وNaive Bayes، وSVM، وKNN، وMLP، وتحليل ROC، ومقاييس الأداء