神経インターベンション術後における造影剤誘発性脳症の機械学習による予測

サマリー

神経インターベンション処置後の造影剤誘発性脳症（CIE）を予測するため、周術期データを用いた探索的な機械学習（ML）フレームワークの評価が行われました。その結果、Naive Bayesモデルが最もバランスの良い記述的性能を示し、個別のリスク評価における重要な候補予測因子として、造影剤量対eGFR比（CGR）が特定されました。

要約

CIEは、神経介入術後に発生するまれながら重篤な合併症であり、信頼性の高い非侵襲的な予測ツールが依然として不足しています。本研究の目的は、周術期の臨床データおよび手技データを用いてCIEを予測するためのMLモデルを構築・検証し、CIEに対するCGRの予測価値を評価することでした。本研究は、2024年1月から2025年12月までにNorthern Theater General Hospitalの脳神経外科にて神経介入術を受けた患者161名を連続的に組み入れた、単施設レトロスペクティブ研究です。CIEの周術期予測因子候補は、単変量解析とLASSO回帰を組み合わせて同定されました。選出された変数に基づき、Naive Bayes、サポートベクターマシン（SVM）、k-近傍法（KNN）、LightGBM、多層パーセプトロン（MLP）の5つのMLモデルを学習および最適化しました。モデルの性能は、受信者動作特性曲線下面積（AUC）および決定曲線分析（DCA）を用いて包括的に評価されました。評価したモデルの中で、Naive Bayesモデルが内部テストセットにおいて最も良好な記述的性能を示し、AUC 0.952（95% CI: 0.843–1.000）、感度 100%、特異度 90.3%でした。しかし、データセットに顕著な不均衡があり、内部テストコホートが小規模でCIEイベント数が非常に限られていたため、これらの指標は慎重に解釈されるべきです。DCAの結果は、選択した閾値確率において潜在的な臨床的ネットベネフィットがあることを示唆しました。重要度分析（Feature-importance analysis）により、本データセットにおいてCGRがCIEリスクに関連する極めて順位の高い予測因子候補であることが示されました。本研究で評価されたNaive Bayesモデルは、神経介入術後のCIEに関する周術期評価のための予備的なリスク層別化フレームワークを提供する可能性があります。CGRは重要な予測因子として浮上し、個別化されたリスク層別化に寄与する可能性があります。臨床応用の前に、さらなる外部検証が必要です。

概要

過去20年間にわたり、低侵襲なインターベンション技術は、脳血管疾患の治療パラダイムを根本的に変えてきました¹。神経インターベンション手技は、高い有効性と低侵襲性という利点から、選択された脳血管疾患における重要な治療オプションとなっています²。しかし、インターベンション手技の複雑さが増すにつれ、手技中に使用される造影剤の投与量や注入圧、および造影剤への曝露時間も増加しています。その結果、造影剤に関連した合併症が徐々に注目されるようになっています^3,4,5,6,7。ヨード造影剤（ICM）によって誘発される急性かつ一過性の神経機能障害であるCIEは、特に複雑な神経インターベンション手技において、臨床的に重要な合併症として認識されるようになっています。CIEの典型的な臨床症状は通常、造影剤曝露後数分から24時間以内に現れ、意識状態の変化（傾眠、せん妄、昏睡など）、皮質盲、局所的な神経脱落症状（片麻痺や失語症など）、および痙攣が含まれます^4,5,6。ほとんどのCIE症例は自己限定的であり、症状は通常48〜72時間以内に消失しますが、一部の患者では永続的な神経障害が残る場合があります。重症例では、広範な脳浮腫により死に至ることさえあります^4,7。このような転帰の予測不能性は、周術期における早期リスク予測のための信頼性の高いツールの開発が急務であることを強調しています。

臨床データの量が増大し続けるにつれ、多重共線性を示す高次元の医療データを扱う際、従来の統計的手法では不十分なことが多くなっています。さらに、単変量解析や単純なロジスティック回帰モデルでは、変数間の複雑で非線形な相互作用を捉えられないことがよくあります。MLは、これらの課題を解決するための新たなアプローチを提供します⁸。SVM、勾配ブースティング決定木（LightGBM）、MLPなどのMLアルゴリズムは、高次元の特徴空間における潜在的なパターンを自動的に特定し、強力な予測能力を持つ非線形モデルを構築できます^8,9,10,11。しかし、予測精度の追求の一方で、これらのアルゴリズムの「ブラックボックス」的な性質、すなわち解釈性の欠如は、医療上の意思決定における信頼性に関する懸念をしばしば引き起こします^12,13。対照的に、単純な確率論的ロジックと固有の解釈性を備えたNaive Bayesアルゴリズムは、小規模サンプルの臨床研究において独自の利点を示します^14,15。各予測変数がアウトカムイベントに寄与する事後確率を評価することで、Naive Bayesモデルは予測性能を確保するだけでなく、臨床医に直感的な意思決定支援の知見を提供します。さらに、造影剤の負荷量と個々の排泄能力の間の不均衡を定量的に評価するため、本研究では核心的な特徴量として造影剤対eGFR比（CGR）を革新的に導入しました。腎機能予備能が低い患者では、中程度の造影剤投与量であってもCGR値が極めて高くなり、CIEへの感受性が高まる可能性があります。CGRの増分予測価値についてはさらなる検証が必要ですが、CGRは造影剤の負荷量と腎排泄能力を統合した、臨床的に直感的な複合指標となり得ます。この統合バイオマーカーを組み込むことで、本研究は病態生理学的な実態をより密接に反映した予測フレームワークの開発を目的としました。

要約すると、本研究は周術期の臨床的および手技的変数を用いて、機械学習（ML）に基づいたCIE予測モデルを開発し、検証することを目的とした¹⁶。具体的な目的は以下の通りである：(1) 探索的な複合指標としてCGRを導入し評価すること、(2) Naive Bayes、SVM、KNN、LightGBM、MLPの5つのMLモデルを構築し、その性能を比較すること、および (3) 最適なモデルを特定することである。CIEの発生件数が限定的であったため、モデルの比較は探索的であり、仮説を生成するためのものであると考えられた。最終的に、本研究は神経インターベンション診療におけるCIEの予備的なリスク層別化フレームワークを提供する可能性があるが、外部検証なしに単独の臨床的意思決定ツールとして使用すべきではない。CGRの概念的根拠および造影剤曝露と腎クリアランスとの関係は、図1Aに示されている。データの前処理、トレーニング用/テスト用データの分割、特徴量選択、およびモデル開発を含む研究全体のワークフローは、図1Bにまとめられている。5つのMLモデルの比較評価フレームワークは、図1Cに提示されている。

プロトコル

本研究プロトコルは、北部戦区総医院の倫理委員会によって審査および承認されました（承認番号：Ethics Y (2026) 75）。臨床データは2024年1月から2025年12月の間に治療を受けた患者から得られたものですが、本研究は既存の診療記録の回顧的解析として実施されました。2026年に取得した倫理承認には、これまでに収集された臨床データの回顧的な抽出、匿名化、解析、および発表が含まれています。倫理承認前に、前向きな介入や患者の登録は行われていません。回顧的な観察研究デザインであるため、書面によるインフォームドコンセントの必要性は免除されました。すべての手順はヘルシンキ宣言に従って実施され、すべての臨床データは解析前に匿名化されました。本解析は、承認された回顧的な神経インターベンション臨床データ研究プロジェクトの一環として実施されました。以下に述べる手順に必要な材料および装置は、材料表にまとめられています。

患者の登録およびCIEの判定

2024年1月から2025年12月の間に北部戦区总医院の脳神経外科で治療を受けた患者を電子診療録システムで検索し、適格となる可能性のある患者を特定した。初回検索では、入院日、診療科、脳血管疾患の診断、および神経インターベンション処置の記録によって制限をかけた。詳細な患者スクリーニングおよびコホート割り当てのワークフローは図2に示す。以下の基準をすべて満たす患者を組み入れ対象とした：(1) 年齢が30歳から80歳であること、(2) 神経インターベンションによる評価または治療を必要とする脳血管疾患の診断を受けていること、(3) 完全な臨床記録および検査結果が存在すること、(4) 術後3日以内に頭部CT検査が実施されていること。

臨床データまたは画像データが不完全な患者、血管内治療を受けなかった患者、術前に重度の神経学的欠損（modified Rankin Scaleスコア ≥4）があった患者、術前の拡散強調画像で急性期脳梗塞が認められた患者、Kidney Disease: Improving Global Outcomes (KDIGO)基準でステージG4以上の慢性腎臓病を有する患者、または重度の心血管疾患を有する患者は除外した。組み入れ基準および除外基準は順次適用した。最初の電子検索の後、各候補レコードを手動で確認し、適格性を確定させ、該当する場合は除外理由を記録した。スクリーニング後、適格な患者を8:2の比率でトレーニングコホート（n = 128）とテストコホート（n = 33）にランダムに割り当てた。2つのコホート間でCIE例と非CIE例の分布を一定に保つため、層化ランダムサンプリングを用いた。

CIEの診断は、主に症状の発現と脳血管介入処置との時間的関連性に加え、画像診断による除外評価に基づいて行われた。2名の独立した脳血管介入専門医が、疑い例すべての術後臨床記録、症状発現時刻、神経学的徴候、および術後画像所見を検討した。意見の不一致については、合意に至るまで議論を通じて解決した。神経介入処置の完了後24時間以内に、新規に皮質盲、意識変容（傾眠、せん妄、または昏睡を含む）、痙攣、あるいは片麻痺や失語症などの局所神経脱落症状が出現した場合に、CIEに適合するとみなした。

症状の発現後、術後のCTまたはMRI画像と臨床経過を併せて検討し、同様の神経学的所見を引き起こし得る他の原因を除外した。術後の頭部CTは、施設標準の造影剤なし頭蓋内CTプロトコルを用いて実施した。主要な撮像パラメータは、管電圧 80 kVp、管電流 260 mA、スライス厚 0.5 mm、および標準軸位再構成とした。画像は経験豊富な臨床医によって、脳窓および骨窓で確認した。鑑別診断では、急性頭蓋内出血、くも膜下出血、脳内出血、新たに発症した広範囲の脳梗塞、痙攣に伴う変化、感染症、および代謝障害を考慮した。症状発現後のCT検査では、通常、皮質、皮質下領域、またはくも膜下腔に及ぶ局所的またはびまん性の脳浮腫と、出血性病変を模倣する高吸収域が認められた。MRI所見では、通常、特に側頭頭頂後頭葉皮質に及ぶ皮質の腫脹が認められた。しかし、一部の患者では、臨床所見と矛盾しないにもかかわらず、CTまたはMRI検査で明らかな異常が認められなかった。

周術期変数の取得とCGRの構築

年齢、性別、体重を含む一般的な人口統計学的データは、電子カルテシステムの構造化フィールドから抽出した。喫煙歴、飲酒歴、高血圧、糖尿病、冠動脈性心疾患を含む臨床歴の変数は、入院記録、既往歴、退院診断から抽出し、整合性をクロスチェックした。検査データは、臨床検査情報システムから抽出した。各患者について、入院後かつ神経インターベンション施行前に採取された最初の静脈血検体を用いた。抽出した検査項目には、血清クレアチニン、推算糸球体濾過量（eGFR）、総コレステロール、およびトリグリセリド値が含まれる。eGFRは、Chronic Kidney Disease Epidemiology Collaboration（CKD-EPI）のクレアチニンに基づく方程式を用いて算出し、病院の臨床検査情報システムから取得した。

手技の複雑さ、造影剤への曝露、および病変の部位が、神経インターベンション手技中の血液脳関門の破綻および造影剤の保持に影響を及ぼす可能性があるため、周術期の手技変数も予測フレームワークに組み込まれた。手技関連の変数には、病変部位、手技の種類、手技時間、造影剤の種類、および造影剤の総量が含まれた。病変部位と手技の種類は、手術記録および血管造影記録から決定された。手技時間は、動脈穿刺から神経インターベンション手技の完了までの時間と定義した。造影剤の総量は、手技の開始から終了までに投与されたヨード造影剤の累積量と定義した。本研究で使用された造影剤は、施設内の臨床慣行に従って投与されたiodixanol（320 mg of iodine/mL）を含む非イオン性ICAであった。本研究に含まれるすべての神経インターベンション手技は、研究センターの経験豊富な神経インターベンションチームにより、デジタルサブトラクション血管造影（DSA）ガイド下で実施された。すべての手技は経大腿動脈アプローチを用いて行われた。インターベンション中、患者にはヘパリンによる術中抗凝固療法が行われ、活性凝固時間は250–300 sの目標範囲内に維持された。バイタルサインは手技全体を通して継続的にモニタリングされた。

動脈瘤塞栓術、血管形成術、ステント留置術を含む治療的介入は、病変の特徴および術者の判断に基づき実施した。手技上の要件に応じて、適切なマイクロカテーテル、コイル、ステント、またはバルーンを選択した。血管造影イメージングおよび介入の間、造影剤を高圧注入または手動の一定速度注入によって投与した。造影剤の種類および総造影剤量は手技記録から抽出し、利用可能な場合は麻酔記録または看護記録と照合した。造影剤量の情報に不整合または不備がある記録については、最終的な解析データセットに含める前に手動で確認した。

処置時間、治療介入の種類、デバイスの使用状況、造影剤投与記録を含む、処置に関連するすべての変数を系統的にレビューし、解析前に完全性と一貫性を検証しました。造影剤負荷と腎クリアランス能の不均衡を定量的に評価するため、CGRを主要な予測変数として設定し、以下の式に従って算出しました。

(1)

総造影剤量はmLで、eGFRはmL/min/1.73 m²で記録した。CGRの算出に使用したeGFR値は、入院後かつ神経インターベンション手技前に採取した最初の静脈血サンプルから得られた術前eGFR値とした。各患者について、総造影剤量とeGFRの両方を確認した後にCGRを算出した。分子はmL単位の総造影剤量とし、分母はmL/min/1.73 m²単位のeGFRとした。モデル構築前に、すべての患者に対して同一の計算規則を適用した。

特徴量選択とMLワークフロー

分析の堅牢性を確保するため、すべての臨床的および実験室的変数は、分析前に体系的な品質管理手順にかけられました。モデル構築前に、各候補変数の欠損データ割合を算出しました。最終的な分析データセットにおいて、組み込まれた予測因子またはアウトカムラベルに欠損値は認められませんでした。したがって、欠損による変数の除外はなく、多重代入法も必要ありませんでした。欠損データの詳細な要約は付随表1に示されています。

CIEの発生との関連性を評価するため、まずすべての候補予測変数を単変量解析を用いて評価した。統計手法はデータの分布特性に応じて選択した。正規分布を示す変数は平均値 ± 標準偏差で表記し、独立標本t検定を用いて比較した。非正規分布を示す変数は中央値（四分位範囲、IQR）で表記し、Mann–Whitney U検定を用いて解析した。カテゴリー変数は頻度と割合で提示し、カイ二乗検定またはFisherの直接確率検定を用いて解析した。統計的有意性はp < 0.05と定義した。

モデル構築の前に、全データセットをトレーニングコホートとテストコホートに8:2の比率で無作為に分割した。過学習を最小限に抑え、多重共線性を低減させるため、10分割交差検証を組み合わせたLASSO（least absolute shrinkage and selection operator）回帰を特徴量選択に適用した。データリークを避けるため、特徴量選択、ハイパーパラメータのチューニング、およびモデル構築はトレーニングコホートのみを用いて行った。内部テストコホートは、欠損値補完パラメータの推定、特徴量選択、ハイパーパラメータのチューニング、またはモデルトレーニングには使用せず、最終的な性能評価のために一度だけ使用した。ハイパーパラメータの最適化は、トレーニングコホート内での10分割交差検証を用いたグリッドサーチ戦略により実施した。具体的には、トレーニングコホートを相互に排他的な10個のサブセットに無作為に分割した。各反復において、9つのサブセットをモデルトレーニングに使用し、残りの1つのサブセットを検証に使用した。このプロセスを10回繰り返し、各サブセットが正確に一度だけ検証コホートとして機能するようにした。

すべての計算解析はPython環境で実施されました。MLモデルの開発および評価にはscikit-learnを使用しました。データの前処理、特徴量選択、モデル訓練、性能評価、およびDCAに使用した解析スクリプトは、補完コードファイルとして提供されています。モデルの実装にあたり、LASSO回帰で選択された特徴量をすべての候補分類器の入力変数として使用しました。連続変数は、訓練コホート内でzスコア正規化を用いて標準化し、同一のスケーリングパラメータを内部テストコホートに適用しました。カテゴリ変数は定義済みのコーディングスキームに従ってエンコードし、変数の定義およびコーディングスキームはSupplementary Table 2に記載しています。実装した分類器は、ガウスナイーブベイズ、SVM、KNN、LightGBM、MLPの5種類です。SVMについては、カーネルタイプ、正則化パラメータC、およびカーネル係数gammaを調整しました。KNNについては、近傍数および距離重み付け戦略を調整しました。LightGBMについては、推定器数、学習率、最大ツリー深さ、および葉の数を調整しました。MLPについては、隠れ層構造、活性化関数、正則化パラメータ、および学習率を調整しました。ガウスナイーブベイズは、指定された分散平滑化設定を用いて実装しました。各モデルの最適なハイパーパラメータの組み合わせは、訓練コホート内での交差検証性能に基づいて選択しました。各モデルで最終的に選択された最適化ハイパーパラメータの組み合わせは、Supplementary Table 3にまとめています。ハイパーパラメータの選択後、各最終モデルを訓練コホート全体で再学習させ、内部テストコホートで一度評価しました。

モデル性能の比較

選択された予測因子に基づき、5つの機械学習（ML）モデルを構築し、比較した。モデルの性能は、トレーニングコホートとテストコホートの両方において、受信者動作特性曲線下面積（AUC）、95%信頼区間（95% CI）、感度、特異度、および正解率を用いて評価した。異なるモデル間の判別性能を比較するため、受信者動作特性曲線を生成した。各モデルの最適な分類しきい値は、Youden指数を用いてトレーニングコホートのみで決定した。導出されたしきい値を固定し、それを内部テストコホートにそのまま適用して、しきい値依存の性能指標を算出した。

決定曲線分析

DCAは、一連の閾値確率における各モデルの正味の利益（net benefit）を算出し、モデルベースの戦略を、すべての患者を治療する戦略およびどの患者も治療しない戦略という2つのデフォルト戦略と比較することで実施されました。DCAを選択した理由は、周術期の意思決定設定において、判別能と潜在的な臨床的適用可能性を同時に評価できるためです。再現性を高めるため、完全なワークフローを以下の順序で実施しました：電子カルテシステムからの患者特定、選択基準および除外基準の適用、2名の独立した専門家によるCIEの判定、人口統計学的変数、臨床歴、検査値、および処置関連変数の抽出とクロスチェック、CGRの算出、欠損データの評価およびトレーニング・テストコホートへの分割、トレーニングコホート内でのLASSOに基づく特徴量選択、10分割交差検証によるハイパーパラメータのチューニング、トレーニングコホート全体での最終モデルの再適合、内部テストコホートによる評価、ROCに基づく性能評価、Youden indexによる閾値の決定、およびDCA。

結果

患者の登録およびCIEの判定

神経インターベンション治療を受けた計161名の患者が本研究に含まれ、そのうち12名（7.5%）にCIEが発症し、149名（92.5%）には発症しませんでした。詳細な患者のスクリーニングおよびグルーピングのプロセスを図2に示します。CIEの診断は、症状の発現と神経インターベンション治療との時間的関連性、および除外的な画像所見に基づいて確定されました。CIEの代表的な神経画像所見を図3A–Dに提示します。

2群のベースラインにおける人口統計学的特性、臨床的特性、検査値、および処置に関する特性を表1にまとめる。年齢、性別分布、および体重において、CIE群と非CIE群の間に有意な差は認められなかった（すべてp > 0.05）。同様に、高血圧、糖尿病、冠動脈性心疾患を含む一般的な併存疾患の有病率も、2群間で有意な差はなかった（すべてp > 0.05）。アルコール摂取量や喫煙状況などのライフスタイル要因についても、同様の結果であった。

対照的に、いくつかの検査および手技関連の変数において、2群間に有意な差が認められた。CIE群の患者は、非CIE群と比較して血清クレアチニン値が有意に高く（中央値：85.2 vs 65.3 µmol/L, p = 0.004）、一方でeGFRは有意に低かった（中央値：81 vs 102.7 mL/min/1.73 m², p < 0.001）。手技特性に関しては、塞栓術の施行頻度が非CIE群よりもCIE群で有意に高かった（41.7% vs 2.0%, p < 0.001）。加えて、後方循環系の病変はCIEを発症した患者において有意に多く認められた（58.3% vs 6.0%, p < 0.001）。使用した造影剤の種類については、2群間に有意な差は見られなかった（p = 0.982）。さらに、CIE群の患者は手技中の造影剤使用量が有意に多く（中央値：200.0 vs 165.0 mL, p = 0.005）、手技時間も有意に長かった（中央値：78.5 vs 50.0 min, p = 0.008）。特筆すべき点として、本研究で提案した複合指標であるCGRは、非CIE群と比較してCIE群で有意に高く（中央値：2.35 vs 1.63, p < 0.001）、CGRとCIEの発生との間に強い関連があることが示された。

周術期変数の取得およびCGRの構築

周術期の人口統計学的変数、検査値、および手技に関連する変数を、プロトコルに従って系統的に収集し、解析した。これらの変数のうち、造影剤総量とeGFRの比として定義されるCGRを、造影剤曝露量と腎クリアランス能のバランスを反映する複合指標として構築した。本コホートにおいてCGRはCIEの発生と関連しており、特徴選択およびモデル開発解析の候補予測因子として組み込まれた。CGRをその構成要素と比較するため、CGR、造影剤総量、およびeGFRを用いて比較ROC解析を行った。CIEに対する識別能はCGRが最も高く、AUCは0.959（95% CI: 0.924–0.985）であり、造影剤総量（AUC = 0.745, 95% CI: 0.559–0.886）および逆リスク方向で解析したeGFR（AUC = 0.865, 95% CI: 0.764–0.951）を上回った。CGRと造影剤総量のAUC差は0.214であり、CGRとeGFRのAUC差は0.093であった。詳細な結果はSupplementary Table 4に記載している。

特徴選択および機械学習（ML）ワークフロー

多重共線性を最小限に抑えつつ最も適切な予測因子を特定するため、候補変数に対して10分割交差検証を用いたLASSO回帰を適用した。LASSOモデルの係数プロファイルおよび交差検証曲線は、それぞれ図4Aおよび図4Bに示されている。最終モデルにおけるLASSO係数のランキングを図5に示す。最適なλ値において、CGR、処置の種類、病変部位、トリグリセリド値、血清クレアチニン、eGFR、およびいくつかの臨床共変量を含む変数のサブセットが保持された。LASSO係数に基づく保持された予測因子の定量的ランキングを付録表5に提示する。

モデル性能の比較

CIEのリスクを予測するために、Naive Bayes、SVM、KNN、LightGBM、MLPの5つのMLアプローチを開発した。トレーニングセットおよびテストセットにおける各モデルの性能を表2にまとめ、5つのモデルの精度比較を図6に示し、対応する混同行列を付録図1、付録図2、付録図3、付録図4、および付録図5に提示した。データセットはCIE症例12例に対し非CIE症例149例と著しく不均衡であったため、正解率および閾値ベースの指標は、感度、特異度、AUC、および信頼区間と併せて慎重に解釈する必要がある。トレーニングセットにおいて、すべてのモデルは良好な判別能を示し、AUC値は0.961～0.999の範囲であった。内部テストセットでは、Naive Bayesモデルが数値的に最高の値を示し（AUC = 0.952, 95% CI: 0.843–1.000）、次いでLightGBM（AUC = 0.944, 95% CI: 0.822–1.000）、SVM（AUC = 0.935, 95% CI: 0.796–1.000）の順となった。

Youden indexによって決定された最適な分類しきい値において、Naive Bayesモデルは感度100%および特異度90.3%を示しました。モデル間のAUCについて正式なペアワイズ統計比較は行われていないため、観察されたモデル間の差は記述的かつ探索的なものとして解釈されるべきです。加えて、データセットが著しく不均衡であり、内部テストコホートが小さくCIEイベントの数が非常に限られていたため、感度や特異度などのしきい値に基づく指標は不安定である可能性があり、慎重に解釈する必要があります。トレーニングセットおよびテストセットにおけるNaive Bayesモデルの受信者動作特性（ROC）曲線を図7に示します。

MLPモデルはトレーニングセットにおいて良好な性能を示しましたが（AUC = 0.961）、テストセットでは性能が大幅に低下し（AUC = 0.742）、過学習の可能性が示唆されました。同様に、KNNモデルはテストセットにおいて限定的な判別能しか示さず（AUC = 0.718）、信頼区間も広かったことから、不安定であることが示されました。感度、特異度、正解率などの閾値依存的な指標における最適な分類閾値を決定するために、Youden indexに基づく戦略が用いられました。ROC-AUC値自体は閾値に依存しません。したがって、報告された閾値依存的な性能指標は、最適な動作点におけるモデルの挙動を反映しています。最適なYouden閾値および対応する閾値ベースの指標は、Supplementary Table 6に記載されています。全体として、Naive Bayesモデルはトレーニングセットと内部テストセットの間で比較的安定した記述的性能を示し、AUCの数値的な低下は最小限でした。

決定曲線分析

一連の閾値確率におけるモデルの臨床的有用性を評価するため、DCAを実施した。DCA曲線は図8に示されている。すべてのモデルにおいて、「全員治療」および「誰にも治療しない」戦略と比較して、特定の閾値確率の範囲で正の純利益が認められた。評価したモデルの中で、SVMが正の純利益を示す範囲が最も広く、その他のモデルも特定の閾値範囲において臨床的に有用である可能性が示された。

データの利用可能性：

主要な解析を裏付けるために使用された匿名化済みのローデータはGitHubにアップロードされており、https://doi.org/10.5281/zenodo.20043331 で入手可能です。データの共有前に、すべての直接的な患者識別子は削除されました。本研究は病院の診療録に基づく回顧的な臨床研究であるため、それ以上の患者レベルの情報へのアクセスは、施設内の倫理およびプライバシー要件によって制限されたままとなっています。妥当な要求があり、施設倫理委員会の承認を得た場合に限り、追加の匿名化データを責任著者から提供できる可能性があります。再現性を担保するため、統計解析スクリプト、MLモデル訓練コード、および図作成コードを補足ファイルとして提供しています。

図 1: 周術期データに基づくCIEリスクモデリングのワークフロー。 (A) CIEのメカニズムと造影剤量対eGFR比（CGR）の導出。 (B) データの統合およびLASSOベースの特徴量選択。 (C) MLモデルの開発と比較。内部テストセットにおいてナイーブベイズが最高の数値的AUC（AUC ≈ 0.95）を示した。略語：CIE = 造影剤誘発性脳症、CGR = 造影剤量対eGFR比、eGFR = 推算糸球体濾過量、AUC = 曲線下面積。本図は著者ら自身の臨床データから導出され、模式図は著者らがMicrosoft PowerPointのアイコンを改変して作成した。 こちらのリンクをクリックして、この図の拡大版を表示してください。

図 2: 患者の選択およびコホートへの割り当て。 患者のスクリーニング、適格性評価、除外基準、およびコホートへの割り当てを示すフローチャート。最初に計225名の患者を評価した。年齢が30歳から80歳であること、完全な臨床データが利用可能であること、術後3日以内に頭部CTを撮影していることなどの組み入れ基準を適用し、190名が適格とされた。急性脳梗塞、慢性腎臓病ステージ ≥ G4（eGFR < 30 mL/min/1.73 m²）、重度の心血管疾患、血管内治療の未実施、重度の神経学的欠損（modified Rankin Scaleスコア ≥ 4）、またはデータの不備に基づいて患者を除外した。最終的に161名の患者が組み入れられ、トレーニングコホート（n = 128）と内部テストコホート（n = 33）に8:2の比率でランダムに分けられた。略語：CT = コンピュータ断層撮影、eGFR = 推算糸球体濾過量、CKD = 慢性腎臓病、mRS = modified Rankin Scale。 こちらのリンクをクリックして、この図の拡大版を表示してください。

図3: CIE患者における連続単純CT画像。(A) 手術前のベースラインCT。(B) 症状発現時のCT。右頭頂葉に皮質高吸収域（矢印）が認められる。(C) 術後1日目のCT。部分的に改善している。(D) 術後2日目のCT。さらに改善している。こちらのリンクをクリックして、この図の拡大版を表示してください。

Figure 4: LASSOに基づく特徴量選択。(A) 最小MSEに基づいて最適なλを決定するために使用された10分割交差検証曲線。(B) log(λ)に対してプロットされた候補変数の係数プロファイルであり、正則化強度の増加に伴う変数係数の変化を示している。略称：LASSO = least absolute shrinkage and selection operator、λ = 正則化パラメータ、MSE = 平均二乗誤差。こちらのリンクをクリックして、この図の拡大版を表示してください。

図 5: 選択された変数の係数。LASSO選択後に保持された変数の係数を示す棒グラフ。正の係数は正の相関を、負の係数は逆相関を示している。こちらのリンクをクリックして、この図の拡大版を表示してください。

図 6: 5つのMLモデルのトレーニング精度およびテスト精度。トレーニングセットおよびテストセットにおける5つのMLモデル（Naive Bayes、SVM、KNN、LightGBM、MLP）の精度。略語：SVM = サポートベクターマシン、KNN = k近傍法、LightGBM = Light Gradient Boosting Machine、MLP = 多層パーセプトロン。こちらのリンクをクリックして、この図の拡大版を表示してください。

図 7: ナイーブベイズモデルのROC曲線。トレーニングコホートおよび内部テストコホートにおける受信者動作特性曲線と、それに対応する曲線下面積（AUC）の値。略語：ROC = 受信者動作特性、AUC = 曲線下面積。こちらのリンクをクリックして、この図の拡大版を表示してください。

図 8: 決定曲線分析。「全員治療」および「誰も治療しない」戦略と比較した、閾値確率における異なるモデルの純便益を示すDCA。網掛け部分は、モデルが「全員治療」および「誰も治療しない」戦略の両方と比較して正の純便益を達成した閾値確率の範囲を示す。略語：DCA = 決定曲線分析。 こちらのリンクをクリックして、この図の拡大版を表示してください。

補足図1：内部テストコホートにおけるナイーブベイズモデルの混同行列。この行列は、選択した分類しきい値における正しく分類されたサンプル数および誤って分類されたサンプル数を示している。こちらのリンクからファイルをダウンロードしてください。

補足図2：内部テストコホートにおけるSVMモデルの混同行列。この行列は、選択した分類しきい値における正しく分類されたサンプル数および誤って分類されたサンプル数を示しています。こちらをクリックしてファイルをダウンロードしてください。

補足図3：内部テストコホートにおけるKNNモデルの混同行列。この行列は、選択した分類しきい値における正しく分類されたサンプル数と誤って分類されたサンプル数を示しています。こちらをクリックしてファイルをダウンロードしてください。

補足図4：内部テストコホートにおけるLightGBMモデルの混同行列。この行列は、選択した分類しきい値において、正しく分類されたサンプル数と誤って分類されたサンプル数を示しています。こちらのリンクからファイルをダウンロードしてください。

補足図 5：内部テストコホートにおける MLP モデルの混同行列。この行列は、選択した分類しきい値における正しく分類されたサンプル数と誤って分類されたサンプル数を示しています。こちらのリンクからファイルをダウンロードしてください。

特性	CIE ( n = 12 )	非CIE ( n = 149 )	p 値
人口統計学的特性
年齢 (years)、中央値 (IQR)	67 (62.5–69.0 )	63 ( 55.0–70.0 )	0.194
男性、n (%)	9 (75.0)	105 (70.5)	1.000
体重 (kg)、中央値 (IQR)	65 (55.0–70.0)	70 (60.0–77.5)	0.160
併存疾患、n (%)
高血圧	7 (58.3)	102 (68.5)	0.526
糖尿病	4 (33.0)	57 (38.3)	1.000
冠動脈性心疾患	2 (16.7)	23 (15.4)	1.000
生活習慣、n (%)
アルコール摂取	7 (58.3)	78 (52.3)	0.770
喫煙歴	7 (58.3)	59 (39.6)	0.233
検査値、中央値 (IQR)
血清クレアチニン (μmol/L)	85.2 (65.0–89.0)	65.3 (54.9–75.7)	0.004
eGFR (mL/min/1.73m²)	81.0 (60.6–90.3)	102.7 (89.0–116.3)	<0.001
総コレステロール (mmol/L)	3.3 (3.0–4.4)	3.4 (2.9–4.1)	0.775
トリグリセリド (mmol/L)	1.8 (1.2–2.1)	1.2 (0.8–1.6)	0.017
手技特性
手技の種類、n (%)			<0.001
- ステント血管形成術	7 (58.3)	146(98.0)
- 塞栓術	5 (41.7)	3 (2.0)
病変部位、n (%)			<0.001
- 後方循環系	7 (58.3)	9 (6.0)
- 前方循環系	5 (41.7)	140 (94.0)
造影剤の種類、n (%)			0.982
- 第2世代	6 (50.0)	75 (50.3)
- 第3世代	6(50.0)	74 (49.7)
総造影剤量 (mL)、中央値 (IQR)	200 (188.0–200.0)	165 (155.0–180.0)	0.005
手技時間 (min)、中央値 (IQR)	78.5 (52.5–124.5)	50 (47.0–57.0)	0.008
新規指標
CGR、中央値 (IQR)	2.35 (2.17–2.70)	1.63 (1.40–1.85)	<0.001

表1：患者のベースライン臨床特性。CIE群と非CIE群の間で、患者の人口統計学的、臨床的、検査および処置に関連する特性を比較した。連続変数は平均値 ± 標準偏差または中央値（四分位範囲）で示し、カテゴリ変数は件数および割合で示した。群間の統計的比較は、適切なパラメトリックまたはノンパラメトリック検定を用いて行った。略語：CIE = 造影剤誘発性脳症、eGFR = 推算糸球体濾過量、CGR = 造影剤量対eGFR比、IQR = 四分位範囲、SD = 標準偏差。

モデル名	正解率	AUC	95% CI	感度	特異度	データセット
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	訓練
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	テスト
SVM	0.992	0.999	0.997–1.000	1.0	0.992	訓練
SVM	0.879	0.935	0.796–1.000	1.0	0.871	テスト
KNN	0.891	0.969	0.941–0.997	1.0	0.881	訓練
KNN	0.939	0.718	0.194–1.000	0.5	0.968	テスト
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	訓練
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	テスト
MLP	0.914	0.961	0.908–1.000	0.9	0.915	訓練
MLP	0.970	0.742	0.228–1.000	0.5	1.000	テスト

表2：各モデルの性能比較。 学習データセットおよび内部テストデータセットにおける異なるMLモデルの予測性能を、正解率、曲線下面積（AUC）、95%信頼区間（CI）、感度、および特異度を用いて評価した。略語：CI = 信頼区間。

補足表1：モデル構築前の欠損データ評価の要約 モデル構築前のすべての候補予測変数における欠損値の要約。組み込まれた変数に欠損値は認められなかったため、補完処理は行わなかった。こちらをクリックしてファイルをダウンロードしてください。

補足表 2： 解析データセットの変数辞書。 ML解析に含まれる臨床、検査、および処置関連変数の定義、コーディング方法、変数カテゴリー、および説明。こちらのリンクからファイルをダウンロードしてください。

補足表 3：MLモデルのハイパーパラメータ探索空間および選択されたパラメータ。各MLアルゴリズムのモデルチューニング中に得られたハイパーパラメータの候補範囲および最適化されたパラメータをまとめている。こちらをクリックしてファイルをダウンロードしてください。

補足表 4：CGRとその個々の構成要素の比較ROC解析。CIE予測におけるCGRおよびその個々の構成要素の予測性能を比較するため、受信者動作特性（ROC）解析を実施した。こちらをクリックしてファイルをダウンロードしてください。

補足表 5： LASSO係数に基づく定量的特徴量のランキング。LASSO回帰後の係数に基づいて選択された変数をランキングし、予測モデルにおける各変数の相対的な寄与度および関連性の方向性を示した。こちらをクリックしてファイルをダウンロードしてください。

補足表6： トレーニングコホートで決定されたYouden閾値および対応する分類性能指標。各モデルの最適閾値は、Youden指数を用いてトレーニングコホートのみで決定され、その後固定されて内部テストコホートに適用された。内部テストコホートにおける精度、感度、および特異度は、これらの固定閾値を用いて算出された。こちらのリンクからファイルをダウンロードしてください。

ディスカッション

CIEは、造影剤への曝露直後に発生する急性神経機能不全を特徴とする、神経インターベンション手技後の稀ではあるが潜在的に深刻な合併症である。この病態は通常可逆的であるが、症例によっては持続的な神経学的欠損や、時には生命を脅かす結果につながることがあり、早期のリスク特定が重要である^17,18,19,20。しかし、CIEの根底にある病態生理学的メカニズムは複雑で多因子であり、患者固有の要因、造影剤の特性、および手技上の特徴が相互に作用している^{9,10,21,22,23,24}。このような複雑さがあるため、単一の臨床変数や経験的な判断のみに基づいて正確な周術期リスク評価を行うことは極めて困難である。

本研究では、脳血管介入術を受ける患者におけるCIEのリスクを予測するため、5つのMLモデルを構築し評価しました。記述的な性能比較の結果、本研究において最もバランスの取れた記述的性能を示したのはNaive Bayesモデルでした。モデルの識別能に関しては、内部テストコホートにおいてNaive Bayesモデルが最高の数値的AUC（AUC = 0.952; 95% CI: 0.843–1.000）を示し、LightGBM（AUC = 0.944; 95% CI: 0.822–1.000）、SVM（AUC = 0.935; 95% CI: 0.796–1.000）、MLP（AUC = 0.742; 95% CI: 0.228–1.000）、およびKNNアルゴリズム（AUC = 0.718, 95% CI: 0.195–1.000）を上回りました。モデルのAUC間での正式な対比較の統計的検定は行われていないため、これらの差はモデルの優位性を示す決定的な根拠ではなく、記述的なものとして解釈されるべきです。注目すべき点として、KNNとMLPはトレーニングセットにおいて良好な性能（AUCはそれぞれ0.969および0.961）を示しましたが、テストセットでは性能が大幅に低下しており、過学習の可能性が示唆されました²⁵。対照的に、Naive Bayesモデルはトレーニングコホートと内部テストコホートの間で同様の記述的AUC値を維持しており（AUCの差 = 0.009）、このデータセットにおいて比較的安定した記述的性能を持つことが示唆されました。ただし、内部テストコホートには33名の患者しか含まれず、CIEのイベント数も非常に限定的であるため、この見かけ上の安定性は慎重に解釈する必要があります。

実用的な観点から見ると、ナイーブベイズの比較的単純な確率構造は、特にアウトカムイベント数が限られている小規模な臨床データセットに適している可能性があります。本研究において、ナイーブベイズモデルは、トレーニングコホートと内部テストコホートの間で比較的バランスの取れた記述的性能を示しました。しかし、内部テストコホートの規模が小さく、CIEイベントが極めて少なかったため、この見かけ上の安定性は慎重に解釈されるべきであり、外部検証が必要です。本データセットにおけるナイーブベイズモデルの比較的良好な記述的性能は、その単純な確率構造と、特徴量の独立性の仮定の下での小規模サンプル設定への適合性に関連している可能性があります^14,15。対照的に、MLPやLightGBMなどのより複雑なモデルは、サンプル数が限られた条件下では過学習を起こしやすく、それによって汎化性能が低下します。これらの知見はまた、神経インターベンションのような高リスクで臨床志向の研究分野においては、複雑なアルゴリズムや単一の性能指標の絶対的な優位性を盲目的に追求するのではなく、安定性、再現性、および臨床的実現可能性をより重視してモデルを選択すべきであることを示唆しています。DCAでは、ナイーブベイズモデルが選択された閾値確率においてネットベネフィットを提供し得ることが示されましたが、この結果はあくまで探索的なものであり、外部検証が必要です。さらに、その単純な構造、効率的な計算、および解釈可能性により、将来的に探索的な周術期リスク層別化モデルとしての評価が期待されますが、臨床導入の前には外部検証が不可欠です。臨床的な観点から見ると、本研究におけるCIEの発生率は7.5%であり、先行報告で一般的に記録されている2%–5%よりも高い値でした⁷。この乖離は、主に研究対象集団の極めて限定的な性質に起因しています。本コホートは、動脈瘤塞栓術などの複雑な神経インターベンション手技を受けた脳血管疾患患者に焦点を当てています。超選択的造影や局所的な高用量停滞など、これらの手技に伴う造影剤投与パターンの特異性と、手技時間の延長は、すべてCIEのリスク因子として認識されています^9,10,26。さらに、患者のベースラインリスクが高いことが、全体の発生率をさらに押し上げています。本研究の結果は、後方循環系の病変および塞栓術がCIEの強力な予測因子であることを強調しています。解剖学的に、後方循環系（椎基底動脈系）は脳幹、小脳、および後頭葉に血液を供給しています。後頭葉は造影剤毒性に対して極めて高い感受性を示し、これがCIE患者に皮質盲が頻繁に見られる理由を説明しています。加えて、椎基底動脈系の血行動態特性は前方循環系とは異なっており、これが本コホートで観察された後方循環系病変とCIEとの関連を部分的に説明している可能性があります。

塞栓術の手順は通常、単純な血管形成術よりも困難であり、コイルの位置や血栓閉塞の範囲を確認するために頻回な超選択的造影が必要となります。その結果、日常的な手技と比較して、単位時間あたりの局所血管床への最大造影剤曝露量が著しく高くなります。このような強力で局所的な造影剤への曝露は、血液脳関門（BBB）破壊の生物学的に妥当な要因となる可能性がありますが、今回のレトロスペクティブ研究においてこのメカニズムを直接的に検証することはできませんでした。ベースライン特性の分析と一致して、CIE群の患者は非CIE群と比較して塞栓術の施行率が有意に高く、後方循環系の病変の割合も大きいことが示されており、手術の複雑さと病変の解剖学的部位がCIEの発生に関連している可能性が示唆されました。さらに、CIE群における手技時間の延長と総造影剤使用量の増加は、手術に関連するストレス因子の累積的な影響がCIE発症のリスクを高めることをさらに強調しています。

モデルの臨床的な解釈可能性を高めるため、本研究ではCGRを探索的な複合指標として評価した。CIEの発現リスクは、脳血管系に注入される造影剤の絶対量だけでなく、造影剤が全身循環から消失する速度とも密接に関連している。CGRは、総造影剤量とeGFRを単一の複合指標に統合し、腎排泄能に対する造影剤負荷を反映させるものである。この設計アプローチは、造影剤量とeGFRの比率²⁷など、造影剤誘発性腎症（CIN）の予測に用いられている確立された比率ベースのパラダイムに基づいており、好中球・リンパ球比（NLR）²⁸やトリグリセリド・グルコース指数（TyG）²⁹のような、疾患の潜在的な病態生理学的状態を明らかにすることを目的とした包括的なバイオマーカー構築の現在の戦略とも整合している。ヨード造影剤は、主に腎臓から元の形態のまま排泄される。腎排泄能が低下すると、ヨード造影剤への全身的な曝露が延長し、内皮細胞が造影剤に曝露される時間が増加する可能性がある。神経インターベンションの手技において、造影剤はしばしば内頸動脈または椎骨動脈を介して高濃度で脳循環に直接注入されるが、局所的な極端な浸透圧勾配がBBBの完全性を損なう可能性がある³⁰。この時点で全身性の排泄能が損なわれている場合、血中に蓄積した造影剤がBBBを介した濃度勾配を維持し続け、造影剤の脳間質腔への拡散を促進させる可能性がある。さらに、CGRは造影剤負荷と腎排泄能を統合するための臨床的に直感的な方法を提供する可能性があるが、造影剤量またはeGFR単独に対する上乗せの予測価値については、さらなる検証が必要である。したがって、CGRは周術期のCIEリスク層別化のための探索的な指標として有用であると考えられる。

本研究では、造影剤の種類（第二世代低浸透圧造影剤 vs 第三世代等浸透圧造影剤）は、CIEに対して有意な独立予測能を持たないことが示されました（p = 0.982）。この結果は、いくつかの先行報告と完全には一致しません。考えられる理由の一つとして、浸透圧以外の要因（化学的毒性や粘度など）が造影剤による神経毒性に寄与している可能性が挙げられます。ただし、この解釈は依然として推測の域を出ず、さらなる機序的な検証が必要です。この解釈は、過去の臨床的および機序的な研究によって支持されています^31,32。さらに、臨床現場において、術者が高リスク患者に対して優先的に第三世代等浸透圧造影剤を選択している可能性があり、これにより適応に関連した混交バイアスが生じ、造影剤の種類による根本的な差異が遮蔽された可能性があります。

このワークフローを適切に適用するためには、いくつかの重要なプロトコルステップを強調する必要があります。第一に、不正確なCIE分類はモデルのトレーニングと評価に直接影響するため、厳格な結果判定が不可欠です。CIEが疑われる症例は、造影剤投与と症状発現の時系列的関係、神経学的徴候、術後画像所見、および代替診断の除外を用いて評価されるべきです。第二に、これら2つの変数がCGRの算出を決定するため、総造影剤量とeGFRの正確な抽出および検証が重要です。第三に、総造影剤量とeGFRの両方を確認した後、すべての患者に対して同一のルールを用いてCGRを算出する必要があります。第四に、データリークを避けるため、特徴量選択、補完パラメータの推定、ハイパーパラメータのチューニング、およびモデルトレーニングはトレーニングコホート内でのみ実施されるべきです。最後に、CIEは稀でありイベント数も限られているため、モデルの性能は慎重に解釈し、臨床導入前に外部検証を行う必要があります³³。

このワークフローを他の設定に適用する際には、いくつかの手法の修正およびトラブルシューティング戦略を検討する必要があります。欠損データの割合が高い場合、研究者はまず欠損がランダムであるかを確認し、欠損が過剰な変数の補完は避けるべきです。CIEイベントの数が非常に少ない場合は、モデルの複雑さを軽減し、過適合を抑えるために、より単純なモデルやペナルティ付きモデルを選択することが推奨されます。別のセンターにこのワークフローを適用する場合、モデルのトレーニング前に、変数の定義、コーディングルール、eGFRの算出方法、造影剤投与量の記録方法、および画像判定基準を統一させる必要があります。内部検証または外部検証においてモデルの性能が低下した場合は、クラス不均衡、データリーク、不整合な前処理、不安定な特徴量選択、および患者ケースミックスの違いなどの潜在的な原因を調査すべきです。CIEの診断が不確実な症例については、モデル開発前に、複数の経験豊富な臨床医による判定を行い、代替診断を慎重に除外することが推奨されます。

本研究には以下の限界がある。第一に、本研究は単一施設でのレトロスペクティブな設計であり、CIEイベントの数が限られている。組み入れられた161人の患者のうち、CIEイベントが発生したのはわずか12例であり、内部テストコホートに含まれるCIE症例数も非常に少なかった（33人の患者を含む）。そのため、AUC、感度、特異度などの性能指標が不安定になりやすく、わずか1、2例の分類結果によって大きく変動する可能性がある。今後、モデルの信頼性をさらに確認するためには、多施設共同での大規模サンプルによるプロスペクティブ研究を通じた外部検証が必要である。第二に、本研究で開発したモデルは、主に手術前および手術中に収集されたルーチンの臨床変数に基づいている。将来的には、術中の造影剤キネティクスパラメータ、術後早期の画像的特徴、および血清特異的バイオマーカーをさらに統合することで、より動的かつ包括的なCIEリスク予測システムを構築できる可能性がある。第三に、CIEの発生率が低い（7.5%）ため、CIE例が12例、非CIE例が149例という顕著なクラス不均衡が生じた。この不均衡は、モデル性能指標の信頼性を低下させる可能性がある。データセットにおいて非CIEクラスが支配的である場合、正解率はモデルの性能を過大評価する可能性があり、一方で感度、特異度、陽性的中率、陰性的中率は、非常に少ないCIEイベント数に影響されるため、不安定になる可能性がある。したがって、提案したモデルは現時点では決定的な臨床意思決定ツールではなく、探索的なリスク層別化フレームワークとして見なされるべきである。本研究ではCIEイベント数が極めて限定的であったため、追加の反復交差検証やリサンプリングベースの検証は実施しなかった。また、このような分析を行っても、顕著なクラス不均衡の下では依然として不安定な推定値となる可能性がある。臨床実装の前には、多施設での外部検証およびプロスペクティブな評価が必要である。

要約すると、本研究では複数のMLモデルを系統的に比較し、今回のデータセットにおけるCIE予測において、Naive Bayesモデルが最もバランスの取れた記述性能を示すことを見出した。このモデルは周術期のリスク層別化への予備的な支援を提供し得るが、その臨床的有用性についてはさらなる検証が必要である。さらに、本研究では、「造影剤負荷と腎クリアランス」の不均衡を定量化する探索的な複合指標としてCGRを評価した。CGRはモデルにおける最も影響力のある予測因子の1つとして現れ、個別化された周術期リスク評価に有用な情報を提供する可能性がある。これらの知見は、神経インターベンション治療を受ける高リスク患者を特定するための仮説を立てるのに役立つと考えられるが、より大規模なサンプルを用いた研究および外部検証が必要である。マルチモーダル予測モデルがCIEのリスク層別化を改善し、この合併症のより精密な予防および管理を支援できるかどうかを判断するためには、今後、より大規模なサンプルを用いた研究と外部検証が不可欠である。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
電子カルテシステム	Northern Theater General Hospital	施設内臨床システム	後方視的なデータ抽出に使用 デモグラフィック変数および臨床歴変数の収集
臨床検査情報システム	Northern Theater General Hospital	施設内検査システム	後方視的な検査データの抽出に使用 血清クレアチニン、eGFR、脂質プロファイル、およびその他の検査データの収集
デジタル減算血管造影装置	Philips	Allura Xper FD 20 (Interventional Workstation R1.3.2 搭載)	日常的な臨床手技に使用 神経インターベンション手技および造影剤使用量の記録
CTスキャナー	Philips	Ingenuity CT	術後の画像評価に使用 術後頭部CT評価
OnekeyAI 構造化データ解析プラットフォーム	OnekeyAI	20240916	研究ツールとして使用。臨床的意思決定には関与せず 構造化データの前処理、モデル構築、モデル評価、および図の作成
Python	Python Software Foundation	3.7.12	オープンソースのプログラミング言語 データの前処理、統計解析、モデル開発、および可視化
scikit-learn	scikit-learn developers	1.0.2	オープンソースのPython機械学習ライブラリ LASSO、ナイーブベイズ、SVM、KNN、MLP、ROC解析、および性能指標の算出