Machine-learningvoorspelling van contrastmiddel-geïnduceerde encefalopathie na neuro-interventionele procedures

Samenvatting

Een verkennend raamwerk voor machine learning (ML) met gebruik van perioperatieve gegevens werd geëvalueerd om contrast-geïnduceerde encefalopathie (CIE) na neuro-interventionele procedures te voorspellen. Het Naive Bayes-model vertoonde de meest gebalanceerde beschrijvende prestaties, en de contrast-tot-eGFR-ratio (CGR) werd geïdentificeerd als een belangrijke potentiële voorspeller voor een geïndividualiseerde risicobeoordeling.

Samenvatting

CIE is een zeldzame maar ernstige complicatie na neuro-interventionele procedures, waarvoor betrouwbare niet-invasieve voorspellende instrumenten nog ontbreken. Deze studie had als doel een ML-model te ontwikkelen en te valideren voor het voorspellen van CIE met behulp van perioperatieve klinische en procedurele gegevens, en om de voorspellende waarde van de CGR voor CIE te evalueren. Dit was een retrospectieve single-center studie waarin opeenvolgend 161 patiënten werden geïncludeerd die tussen januari 2024 en december 2025 neuro-interventionele procedures ondergingen in de afdeling Neurochirurgie van het Northern Theater General Hospital. Potentiële perioperatieve voorspellers van CIE werden geïdentificeerd middels univariate analyse gecombineerd met LASSO-regressie. Op basis van de geselecteerde variabelen werden vijf ML-modellen—Naive Bayes, support vector machine (SVM), k-nearest neighbors (KNN), LightGBM en multilayer perceptron (MLP)—getraind en geoptimaliseerd. De prestaties van de modellen werden uitgebreid geëvalueerd aan de hand van de area under the receiver operating characteristic curve (AUC) en decision curve analysis (DCA). Van de geëvalueerde modellen vertoonde het Naive Bayes-model de meest gunstige beschrijvende prestaties in de interne testset, met een AUC van 0.952 (95% CI: 0.843–1.000), een sensitiviteit van 100% en een specificiteit van 90.3%; deze metrieken moeten echter met voorzichtigheid worden geïnterpreteerd omdat de dataset sterk ongebalanceerd was en de interne testcohort klein was en slechts een zeer beperkt aantal CIE-events bevatte. De DCA-resultaten suggereerden een potentieel klinisch netto voordeel over de geselecteerde drempelwaarschijnlijkheden. Feature-importance analyse wees uit dat CGR een van de hoogst gerankte kandidaat-voorspellers was die geassocieerd waren met het risico op CIE in deze dataset. Het in deze studie geëvalueerde Naive Bayes-model kan een preliminair risicostratificatiekader bieden voor de perioperatieve beoordeling van CIE na neuro-interventionele procedures. CGR bleek een belangrijke voorspellende feature te zijn en kan helpen bij geïndividualiseerde risicostratificatie. Verdere externe validatie is vereist voordat klinische toepassing mogelijk is.

Inleiding

Gedurende de afgelopen twee decennia hebben minimaal invasieve interventietechnieken het behandelparadigma voor cerebrovasculaire aandoeningen fundamenteel veranderd¹. Neuro-interventionele procedures—met hun voordelen van een hoge effectiviteit en minimale invasiviteit—zijn belangrijke behandelopties geworden voor geselecteerde cerebrovasculaire stoornissen². Naarmate de complexiteit van de interventionele procedures echter toeneemt, stijgen ook de doses van de gebruikte contrastmiddelen, de injectiedrukken en de duur van de blootstelling aan het contrastmiddel. Bijgevolg zijn complicaties gerelateerd aan contrastmiddelen geleidelijk onderwerp geworden van toenemende aandacht^3,4,5,6,7. CIE, een acute, voorbijgaande neurologische dysfunctie geïnduceerd door jodiumhoudende contrastmiddelen (ICM), wordt steeds vaker erkend als een klinisch relevante complicatie, met name bij complexe neuro-interventionele procedures. De typische klinische manifestaties van CIE treden gewoonlijk binnen enkele minuten tot 24 h na blootstelling aan het contrastmiddel op en omvatten veranderingen in het bewustzijn (zoals somnolentie, delirium of coma), corticale blindheid, focale neurologische uitval (zoals hemiparese of afasie) en insulten^4,5,6. Hoewel de meeste gevallen van CIE zelflimiterend zijn en de symptomen doorgaans binnen 48 tot 72 h verdwijnen, kunnen sommige patiënten blijvende neurologische beperkingen ervaren. Ernstige gevallen kunnen zelfs leiden tot de dood als gevolg van massaal cerebraal oedeem^4,7. Deze onvoorspelbaarheid van de uitkomsten onderstreept de dringende noodzaak om een betrouwbare tool te ontwikkelen voor vroege risicovoorspelling tijdens de perioperatieve periode.

Naarmate het volume aan klinische gegevens blijft toenemen, blijken traditionele statistische methoden steeds vaker ontoereikend bij het omgaan met hoogdimensionale medische data die multicollineariteit vertonen. Bovendien slagen univariate analyses of eenvoudige logistische regressiemodellen er vaak niet in om de complexe, niet-lineaire interacties tussen variabelen vast te leggen. ML biedt een nieuwe dimensie om deze uitdagingen aan te pakken⁸. ML-algoritmen—zoals SVM, gradient boosting machines (LightGBM) en MLP—kunnen automatisch latente patronen in hoogdimensionale kenmerkruimtes identificeren en niet-lineaire modellen construeren met krachtige voorspellende mogelijkheden^8,9,10,11. Echter, terwijl wordt gestreefd naar voorspellingsnauwkeurigheid, roept het "black-box"-karakter van deze algoritmen, gekenmerkt door een gebrek aan interpreteerbaarheid, vaak zorgen op over het vertrouwen in medische besluitvorming^12,13. In contrast hiermee vertoont het Naive Bayes-algoritme, met zijn eenvoudige probabilistische logica en inherente interpreteerbaarheid, unieke voordelen in klinische studies met kleine steekproeven^14,15. Door de bijdrage aan de posterieure kans van elke predictormethode aan de uitkomstgebeurtenis te evalueren, waarborgt het Naive Bayes-model niet alleen de voorspellende prestaties, maar biedt het clinici ook intuïtieve inzichten ter ondersteuning van de besluitvorming. Daarnaast introduceert deze studie innovatief de ratio contrastmiddel-tot-eGFR (CGR) als kernkenmerk om de disbalans tussen de contrastmiddellast en de individuele klaringcapaciteit kwantitatief te beoordelen. Bij patiënten met een lagere renale functionele reserve kunnen zelfs gematigde doses contrastmiddelen leiden tot extreem hoge CGR-waarden, wat de vatbaarheid voor CIE kan verhogen. CGR kan een klinisch intuïtieve samengestelde maatstaf bieden die de contrastmiddellast en de renale klaringcapaciteit integreert, hoewel de incrementele voorspellende waarde hiervan verdere validatie vereist. Door deze geïntegreerde biomarker op te nemen, beoogde deze studie een voorspellend kader te ontwikkelen dat de pathofysiologische realiteit nauwer weerspiegelt.

Samenvattend was het doel van deze studie om een op ML gebaseerd CIE-voorspellingsmodel te ontwikkelen en te valideren met behulp van perioperatieve klinische en procedurele variabelen¹⁶. De specifieke doelstellingen omvatten: (1) het introduceren en evalueren van CGR als een exploratieve samengestelde index; (2) het construeren en vergelijken van de prestaties van vijf ML-modellen—Naive Bayes, SVM, KNN, LightGBM en MLP; en (3) het identificeren van het optimale model. Gezien het beperkte aantal CIE-gebeurtenissen werd de modelvergelijking als exploratief en hypothese-genererend beschouwd. Uiteindelijk kan deze studie een voorlopig risicostratificatiekader voor CIE bieden in de neurointerventionele praktijk, maar het mag niet worden gebruikt als een zelfstandig instrument voor klinische besluitvorming zonder externe validatie. De conceptuele basis van CGR en de relatie ervan met contrastblootstelling en renale klaring zijn geïllustreerd in Figuur 1A. De algemene workflow van de studie, inclusief datapreprocessing, train/test-splitsing, kenmerkselectie en modelontwikkeling, is samengevat in Figuur 1B. Het vergelijkende evaluatiekader van de vijf ML-modellen wordt gepresenteerd in Figuur 1C.

Protocol

Het studieprotocol is beoordeeld en goedgekeurd door de Ethische Commissie van het General Hospital of Northern Theater Command (Goedkeuringsnr. Ethics Y (2026) 75). Hoewel de klinische gegevens afkomstig waren van patiënten die tussen januari 2024 en december 2025 werden behandeld, is de huidige studie uitgevoerd als een retrospectieve analyse van bestaande klinische dossiers. De in 2026 verkregen ethische goedkeuring omvatte de retrospectieve data-extractie, de-identificatie, analyse en publicatie van deze eerder verzamelde klinische gegevens. Er heeft geen prospectieve interventie of patiëntenwerving plaatsgevonden vóór de ethische goedkeuring. De vereiste voor schriftelijke geïnformeerde toestemming is vervallen vanwege het retrospectieve observationele ontwerp van de studie. Alle procedures zijn uitgevoerd in overeenstemming met de Verklaring van Helsinki, en alle klinische gegevens zijn gede-identificeerd vóór de analyse. De huidige analyse is uitgevoerd als onderdeel van een goedgekeurd retrospectief neuro-interventioneel onderzoeksproject naar klinische gegevens. De materialen en apparatuur die nodig zijn voor de hieronder beschreven procedures zijn samengevat in de Tabel van Materialen.

Inschrijving van patiënten en CIE-bepaling

Potentieel geschikte patiënten werden geïdentificeerd door het elektronisch medisch dossiersysteem te raadplegen voor patiënten die tussen januari 2024 en december 2025 werden behandeld op de afdeling Neurochirurgie van het General Hospital of Northern Theater Command. De initiële zoekopdracht werd beperkt op basis van opnamedatum, afdeling, diagnose van cerebrovasculaire aandoening en verslagen van neuro-interventionele procedures. De gedetailleerde workflow voor de screening van patiënten en de toewijzing aan cohorten is weergegeven in Figuur 2. Patiënten kwamen in aanmerking voor inclusie indien zij voldeden aan alle volgende criteria: (1) een leeftijd tussen 30 en 80 jaar; (2) de diagnose van een cerebrovasculaire aandoening waarvoor neuro-interventionele evaluatie of behandeling noodzakelijk was; (3) de beschikbaarheid van volledige klinische dossiers en laboratoriumuitslagen; en (4) een postoperatieve CT-scan van het hoofd, uitgevoerd binnen 3 dagen na de operatie.

Patiënten werden uitgesloten indien zij over onvolledige klinische gegevens of beeldvormingsgegevens beschikten, geen endovasculaire interventie ondergingen, ernstige preoperatieve neurologische uitval vertoonden (modified Rankin Scale score ≥4), acute cerebrale infarcten vertoonden op preoperatieve diffusiegewogen beeldvorming, chronische nierziekte in stadium G4 of hoger hadden volgens de Kidney Disease: Improving Global Outcomes (KDIGO) criteria, of ernstige cardiovasculaire ziekten hadden. De in- en uitsluitingscriteria werden sequentieel toegepast. Na de initiële elektronische zoekopdracht werd elk kandidaatrecord handmatig beoordeeld om de geschiktheid te bevestigen en, indien van toepassing, de reden voor uitsluiting te documenteren. Na screening werden geschikte patiënten in een verhouding van 8:2 willekeurig toegewezen aan trainings- en testcohorten, bestaande uit een trainingscohort (n = 128) en een testcohort (n = 33). Er werd gebruikgemaakt van gestratificeerde steekproefname om een consistente verdeling van CIE- en non-CIE-gevallen tussen de twee cohorten te behouden.

De diagnose van CIE was primair gebaseerd op de temporele associatie tussen het begin van de symptomen en cerebrovasculaire interventieprocedures, in combinatie met uitsluitende beeldvormende beoordeling. Twee onafhankelijke specialisten in cerebrovasculaire interventies beoordeelden de postoperatieve klinische dossiers, het tijdstip van symptoombegin, de neurologische manifestaties en de postoperatieve beeldvormingsresultaten voor alle vermoedelijke gevallen. Onenigheden werden door middel van overleg opgelost totdat consensus was bereikt. Patiënten werden als compatibel met CIE beschouwd indien er binnen 24 h na voltooiing van de neurointerventieprocedure sprake was van nieuw ontwikkelde corticale blindheid, een veranderd bewustzijn (waaronder somnolentie, delirium of coma), epileptische aanvallen of focale neurologische uitval zoals hemiparese of afasie.

Na het begin van de symptomen werden alternatieve oorzaken die vergelijkbare neurologische manifestaties kunnen veroorzaken uitgesloten door postoperatieve CT- of MRI-beelden in combinatie met het klinische verloop te beoordelen. Postoperatieve CT-scans van het hoofd werden uitgevoerd volgens het institutionele standaardprotocol voor CT van de schedel zonder contrastmiddel. De essentiële acquisitieparameters omvatten een buisspanning van 80 kVp, een buisstroom van 260 mA, een plakdikte van 0,5 mm en standaard axiale reconstructie. De beelden werden beoordeeld op hersen- en botvensters door ervaren clinici. Bij de differentiaaldiagnose werd rekening gehouden met acute intracraniële bloedingen, subarachnoïdale bloedingen, intracerebrale bloedingen, recent ontstane uitgebreide cerebrale infarcten, epileptische veranderingen, infecties en metabole stoornissen. CT-onderzoeken na het optreden van de symptomen toonden doorgaans focaal of diffuus cerebraal oedeem en densiteitsverhogingen in de cortex, subcorticale regio's of de subarachnoïdale ruimte, die hemorragische laesies nabootsten. MRI-bevindingen tonen gewoonlijk corticale zwelling, in het bijzonder in de temporopariëtale occipitale cortex. Bij sommige patiënten vertoonden CT- of MRI-onderzoeken echter geen duidelijke afwijkingen, ondanks compatibele klinische manifestaties.

Perioperatieve variabelenverwerving en CGR-constructie

Algemene demografische gegevens, waaronder leeftijd, geslacht en lichaamsgewicht, werden geëxtraheerd uit gestructureerde velden in het elektronisch patiëntendossiersysteem. Variabelen voor de klinische voorgeschiedenis, waaronder rookgeschiedenis, alcoholconsumptie, hypertensie, diabetes mellitus en coronaire hartaandoeningen, werden geëxtraheerd uit opnameverslagen, dossiers van de medische voorgeschiedenis en ontslagdiagnoses, en werden gecontroleerd op consistentie. Laboratoriumgegevens werden geëxtraheerd uit het laboratoriuminformatiesysteem. Voor elke patiënt werd het eerste veneuze bloedmonster gebruikt dat na opname en vóór de neurointerventionele procedure was afgenomen. De geëxtraheerde laboratoriumvariabelen omvatten serumcreatinine, de geschatte glomerulaire filtratiesnelheid (eGFR), totaal cholesterol en triglyceridengehaltes. De eGFR werd berekend met de creatinine-gebaseerde vergelijking van de Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI) en werd verkregen uit het laboratoriuminformatiesysteem van het ziekenhuis.

Omdat procedurele complexiteit, blootstelling aan contrastmiddelen en de locatie van laesies de verstoring van de bloed-hersenbarrière en de retentie van contrastmiddelen tijdens neuro-interventionele procedures kunnen beïnvloeden, werden perioperatieve procedurele variabelen ook in het voorspellende kader opgenomen. Procedure-gerelateerde variabelen omvatten laesielocatie, type procedure, procedureduur, type contrastmiddel en het totale contrastvolume. Laesielocatie en type procedure werden bepaald op basis van operatieverslagen en angiografische gegevens. De procedureduur werd gedefinieerd als de tijd van de arteriële punctie tot de voltooiing van de neuro-interventionele procedure. Het totale contrastvolume werd gedefinieerd als het cumulatieve volume aan gejodeerd contrastmiddel dat van het begin tot het einde van de procedure werd toegediend. De contrastmiddelen die in deze studie werden gebruikt, waren niet-ionische ICA, waaronder iodixanol (320 mg jodium/mL), toegediend volgens de institutionele klinische praktijk. Alle in deze studie opgenomen neuro-interventionele procedures werden onder begeleiding van digitale subtractie-angiografie uitgevoerd door een ervaren neuro-interventioneel team in het studiecentrum. Alle procedures werden uitgevoerd via een transfemorale arteriële benadering. Tijdens de interventie ontvingen patiënten intraoperatieve antistolling met heparine, waarbij de geactiveerde stollingstijd binnen het streefbereik van 250–300 s werd gehouden. De vitale functies werden gedurende de gehele procedure continu gemonitord.

Therapeutische interventies, waaronder aneurysma-embolisatie, angioplastiek en stentplaatsing, werden uitgevoerd op basis van de laesiekenmerken en het oordeel van de operateur. Geschikte microkatheters, coils, stents of ballonnen werden geselecteerd op basis van de procedurele vereisten. Tijdens de angiografische beeldvorming en interventie werden contrastmiddelen toegediend via een hogedrukinjectie of een handmatige infusie met een constante snelheid. Het type contrastmiddel en het totale contrastvolume werden uit de procedurele dossiers gehaald en, indien beschikbaar, gecontroleerd aan de hand van de anesthesie- of verpleegrecords. Dossiers met inconsistente of onvolledige informatie over het contrastvolume werden handmatig beoordeeld voordat ze werden opgenomen in de definitieve analytische dataset.

Alle procedure-gerelateerde variabelen, waaronder de duur van de procedure, het type therapeutische interventie, het gebruik van apparatuur en de registraties van de toediening van contrastmiddelen, werden systematisch beoordeeld en geverifieerd op volledigheid en consistentie voorafgaand aan de analyse. Om de disbalans tussen de contrastmiddellast en de renale klaringcapaciteit kwantitatief te evalueren, werd de CGR vastgesteld als een centrale voorspellende variabele en berekend volgens de volgende vergelijking:

(1)

Het totale contrastvolume werd genoteerd in mL, en de eGFR werd genoteerd in mL/min/1,73 m². De eGFR-waarde die werd gebruikt voor de CGR-berekening was de preoperatieve eGFR-waarde, verkregen uit de eerste veneuze bloedafname na opname en vóór de neurointerventionele procedure. Voor iedere patiënt werd de CGR berekend na verificatie van zowel het totale contrastvolume als de eGFR. De teller was het totale contrastvolume in mL en de noemer was de eGFR in mL/min/1,73 m². Dezelfde berekeningsregel werd op alle patiënten toegepast vóór de ontwikkeling van het model.

Kenmerkselectie en ML-workflow

Om de analytische robuustheid te waarborgen, werden alle klinische en laboratoriumvariabelen voorafgaand aan de analyse onderworpen aan systematische kwaliteitscontroleprocedures. Het aandeel ontbrekende gegevens werd voor elke kandidaatvariabele berekend vóór de modelontwikkeling. In de definitieve analytische dataset werden geen ontbrekende waarden waargenomen bij de opgenomen predictoren of uitkomstlabels; daarom werd geen enkele variabele uitgesloten vanwege ontbrekende gegevens en was multiple imputatie niet vereist. Het gedetailleerde overzicht van de ontbrekende gegevens is opgenomen in Aanvullende Tabel 1.

Alle potentiële voorspellende variabelen werden aanvankelijk geëvalueerd met univariaat analyses om hun associaties met het optreden van CIE te beoordelen. Statistische methoden werden gekozen op basis van de distributiekenmerken van de gegevens. Variabelen met een normale verdeling werden uitgedrukt als gemiddelde ± standaarddeviatie en vergeleken met de t-toets voor onafhankelijke steekproeven. Variabelen met een niet-normale verdeling werden uitgedrukt als mediaan (interkwartielafstand, IQR) en geanalyseerd met de Mann-Whitney U-toets. Categorische variabelen werden weergegeven als frequenties en percentages en geanalyseerd met de chi-kwadraattoets of de exacte toets van Fisher. Statistische significantie werd gedefinieerd als p < 0,05.

De volledige dataset werd vóór de modelontwikkeling willekeurig verdeeld in trainings- en testcohorten in een verhouding van 8:2. Om overfitting te minimaliseren en multicollineariteit te verminderen, werd least absolute shrinkage and selection operator (LASSO) regressie in combinatie met 10-voudige kruisvalidatie toegepast voor kenmerkselectie. Kenmerkselectie, hyperparameter-tuning en modelontwikkeling werden uitsluitend uitgevoerd met het trainingscohort om datalekken te voorkomen. Het interne testcohort werd niet gebruikt tijdens de schatting van imputatieparameters, kenmerkselectie, hyperparameter-tuning of modeltraining, en werd slechts één keer gebruikt voor de uiteindelijke prestatie-evaluatie. Hyperparameter-optimalisatie werd uitgevoerd met een grid search-strategie met 10-voudige kruisvalidatie binnen het trainingscohort. Specifiek werd het trainingscohort willekeurig verdeeld in 10 wederzijds uitsluitende subsets. Tijdens elke iteratie werden negen subsets gebruikt voor modeltraining en de overgebleven subset voor validatie. Dit proces werd 10 keer herhaald om ervoor te zorgen dat elke subset precies één keer als validatiecohort diende.

Alle computationele analyses werden uitgevoerd in een Python-omgeving. De ontwikkeling en evaluatie van de ML-modellen werden uitgevoerd met scikit-learn. De analysescrips die werden gebruikt voor gegevensvoorbewerking, kenmerkenselectie, modeltraining, prestatie-evaluatie en DCA werden verstrekt als aanvullende codebestanden. Voor de modelimplementatie werden de geselecteerde kenmerken uit de LASSO-regressie gebruikt als invoervariabelen voor alle kandidaat-classificaties. Continue variabelen werden gestandaardiseerd met z-score normalisatie binnen de trainingscohort, en dezelfde schalingsparameters werden toegepast op de interne testcohort. Categorische variabelen werden gecodeerd volgens het vooraf gedefinieerde coderingsschema; de variabeledefinities en het coderingsschema zijn opgenomen in Supplementary Table 2. Vijf classificaties werden geïmplementeerd: Gaussian Naive Bayes, SVM, KNN, LightGBM en MLP. Voor SVM werden het kernertype, de regularisatieparameter C en de kerncoëfficiënt gamma afgestemd. Voor KNN werden het aantal buren en de afstandswegingsstrategie afgestemd. Voor LightGBM werden het aantal estimators, de leersnelheid, de maximale boomdiepte en het aantal bladeren afgestemd. Voor MLP werden de structuur van de verborgen laag, de activeringsfunctie, de regularisatieparameter en de leersnelheid afgestemd. Gaussian Naive Bayes werd geïmplementeerd met de opgegeven instelling voor variantie-smoothing. De optimale hyperparametercombinatie voor elk model werd geselecteerd op basis van de cross-validatieprestaties binnen de trainingscohort. De definitieve geoptimaliseerde hyperparametercombinaties die voor elk model zijn geselecteerd, zijn samengevat in Supplementary Table 3. Na selectie van de hyperparameters werd elk definitief model opnieuw gefit op de volledige trainingscohort en één keer geëvalueerd in de interne testcohort.

Vergelijkingen van modelprestaties

Op basis van de geselecteerde predictoren werden vijf ML-modellen ontwikkeld en vergeleken. De prestaties van de modellen werden geëvalueerd in zowel de trainings- als de testcohort met behulp van de area under the receiver operating characteristic curve (AUC), het 95% betrouwbaarheidsinterval (95% CI), sensitiviteit, specificiteit en accuratesse. Er werden receiver operating characteristic-curves gegenereerd om de discriminerende prestaties van de verschillende modellen te vergelijken. De optimale classificatiedrempel voor elk model werd uitsluitend binnen de trainingscohort bepaald met behulp van de Youden-index. De afgeleide drempelwaarde werd vervolgens vastgelegd en ongewijzigd toegepast op de interne testcohort voor het berekenen van de drempelafhankelijke prestatiematen.

Beslissingscurve-analyse

DCA werd uitgevoerd door het netto voordeel van elk model te berekenen over een reeks drempelwaarschijnlijkheden en de modelgebaseerde strategie te vergelijken met twee standaardstrategieën: het behandelen van alle patiënten en het niet behandelen van enige patiënt. DCA werd gekozen omdat het gelijktijdige beoordeling van de discriminatieprestaties en de potentiële klinische toepasbaarheid in perioperatieve besluitvormingssituaties mogelijk maakt. Om de reproduceerbaarheid te vergemakkelijken, werd de volledige workflow in de volgende volgorde uitgevoerd: patiëntidentificatie uit het elektronisch medisch dossiersysteem, toepassing van in- en uitsluitingscriteria, CIE-beoordeling door twee onafhankelijke specialisten, extractie en crosschecking van demografische, klinische geschiedenis-, laboratorium- en proceduregerelateerde variabelen, CGR-berekening, beoordeling van ontbrekende gegevens en splitsing van de trainings- en testcohort, LASSO-gebaseerde kenmerkselectie binnen de trainingscohort, hyperparameter-tuning via 10-voudige kruisvalidering, definitieve model-refitting in de volledige trainingscohort, evaluatie van de interne testcohort, ROC-gebaseerde prestatiebeoordeling, bepaling van de drempelwaarde via de Youden-index en DCA.

Resultaten

Inschrijving van patiënten en CIE-bepaling

In totaal werden 161 patiënten die een neuro-interventionele procedure ondergingen in deze studie opgenomen, waarvan er 12 (7,5%) CIE ontwikkelden, terwijl 149 (92,5%) dat niet deden. Het gedetailleerde proces van patiëntscreening en groepering wordt getoond in Figuur 2. De diagnose van CIE werd gesteld op basis van de temporele associatie tussen het begin van de symptomen en de neuro-interventionele procedures, in combinatie met uitsluitende bevindingen op beeldvorming. Representatieve neuro-imagingbevindingen van CIE worden gepresenteerd in Figuur 3A–D.

De baseline demografische, klinische, laboratorium- en procedurele kenmerken van de twee groepen zijn samengevat in Tabel 1. Er werden geen significante verschillen waargenomen tussen de CIE- en non-CIE-groepen met betrekking tot leeftijd, geslachtsverdeling of lichaamsgewicht (alle p > 0,05). Evenzo verschilde de prevalentie van veelvoorkomende comorbiditeiten, waaronder hypertensie, diabetes mellitus en coronaire hartaandoeningen, niet significant tussen de twee groepen (alle p > 0,05). Leefstijlfactoren, zoals alcoholconsumptie en rookstatus, waren eveneens vergelijkbaar.

Daarentegen vertoonden verschillende laboratorium- en proceduregerelateerde variabelen significante verschillen tussen de twee groepen. Patiënten in de CIE-groep hadden significant hogere serumcreatininespiegels vergeleken met die in de non-CIE-groep (mediaan: 85,2 vs 65,3 µmol/L, p = 0,004), terwijl hun eGFR significant lager was (mediaan: 81 vs 102,7 mL/min/1,73 m², p < 0,001). Wat betreft de procedurele kenmerken kwamen embolisatieprocedures significant vaker voor in de CIE-groep dan in de non-CIE-groep (41,7% vs 2,0%, p < 0,001). Bovendien kwamen laesies in de posterieure circulatie significant vaker voor bij patiënten die CIE ontwikkelden (58,3% vs 6,0%, p < 0,001). Er werd geen significant verschil waargenomen in het type gebruikte contrastmiddelen tussen de twee groepen (p = 0,982). Verder ontvingen patiënten in de CIE-groep een significant hoger volume contrastmiddel tijdens de procedure (mediaan: 200,0 vs 165,0 mL, p = 0,005) en hadden zij een langere procedureduur (mediaan: 78,5 vs 50,0 min, p = 0,008). Opvallend was dat de CGR, een in deze studie voorgestelde samengestelde index, significant hoger was in de CIE-groep vergeleken met de non-CIE-groep (mediaan: 2,35 vs 1,63, p < 0,001), wat wijst op een sterke associatie tussen de CGR en het optreden van CIE.

Perioperatieve variabelenverwerving en constructie van de CGR

Perioperatieve demografische, laboratorium- en procedurele variabelen werden systematisch verzameld en geanalyseerd zoals beschreven in het protocol. Onder deze variabelen werd de CGR, gedefinieerd als de verhouding tussen het totale contrastvolume en de eGFR, geconstrueerd als een samengestelde indicator die de balans tussen blootstelling aan contrastmiddelen en de renale klaringcapaciteit weerspiegelt. De CGR was geassocieerd met het optreden van CIE in deze cohort en werd opgenomen als potentiële predictor voor feature-selectie en modelontwikkelingsanalyses. Om de CGR te vergelijken met de individuele componenten hiervan, voerden we een vergelijkende ROC-analyse uit met gebruik van de CGR, het totale contrastvolume en de eGFR. De CGR vertoonde de hoogste discriminatieve capaciteit voor CIE, met een AUC van 0,959 (95% BI: 0,924–0,985), vergeleken met het totale contrastvolume (AUC = 0,745, 95% BI: 0,559–0,886) en de eGFR geanalyseerd in de inverse risicorichting (AUC = 0,865, 95% BI: 0,764–0,951). Het verschil in AUC tussen de CGR en het totale contrastvolume was 0,214, en het verschil in AUC tussen de CGR en de eGFR was 0,093. Gedetailleerde resultaten zijn opgenomen in Aanvullende Tabel 4.

Kenmerkselectie en ML-workflow

Om de meest relevante predictoren te identificeren en multicollineariteit te minimaliseren, is LASSO-regressie met 10-voudige kruisvalidatie toegepast op de kandidaatvariabelen. Het coëfficiëntprofiel en de kruisvalidatiecurven van het LASSO-model zijn weergegeven in Figuur 4A en Figuur 4B, respectievelijk. De LASSO-coëfficiëntrangschikking van het uiteindelijke model wordt gepresenteerd in Figuur 5Bij de optimale λ-waarde werd een subset van variabelen behouden, waaronder CGR, type procedure, locatie van de laesie, triglyceridengehaltes, serumcreatinine, eGFR en diverse klinische covariabelen. De kwantitatieve rangschikking van de behouden predictoren op basis van LASSO-coëfficiënten is weergegeven in Aanvullende tabel 5.

Vergelijkingen van modelprestaties

Vijf ML-benaderingen—Naive Bayes, SVM, KNN, LightGBM en MLP—werden ontwikkeld om het risico op CIE te voorspellen. Hun prestaties in de trainings- en testsets zijn samengevat in Tabel 2, de vergelijking van de nauwkeurigheid van de vijf modellen wordt getoond in Figuur 6, en de bijbehorende confusiematrices zijn opgenomen in Aanvullende Figuur 1, Aanvullende Figuur 2, Aanvullende Figuur 3, Aanvullende Figuur 4, en Aanvullende Figuur 5. Omdat de dataset sterk ongebalanceerd was, met 12 CIE-gevallen en 149 non-CIE-gevallen, moeten nauwkeurigheid en drempelwaarde-gebaseerde metrieken voorzichtig worden geïnterpreteerd en in samenhang met sensitiviteit, specificiteit, AUC en betrouwbaarheidsintervallen. In de trainingsset vertoonden alle modellen een goede onderscheidende capaciteit, met AUC-waarden variërend van 0,961–0,999. In de interne testset vertoonde het Naive Bayes-model de hoogste numerieke waarde (AUC = 0,952, 95% CI: 0,843–1,000), gevolgd door LightGBM (AUC = 0,944, 95% CI: 0,822–1,000) en SVM (AUC = 0,935, 95% CI: 0,796–1,000).

Bij de optimale classificatiedrempel, bepaald aan de hand van de Youden-index, vertoonde het Naive Bayes-model een sensitiviteit van 100% en een specificiteit van 90,3%. Omdat er geen formele paarsgewijze statistische vergelijkingen tussen de AUC's van de modellen zijn uitgevoerd, moeten de waargenomen verschillen tussen de modellen als beschrijvend en exploratief worden geïnterpreteerd. Bovendien kunnen drempelgebaseerde metrieken zoals sensitiviteit en specificiteit onstabiel zijn en voorzichtig worden geïnterpreteerd, aangezien de dataset sterk ongebalanceerd was en de interne testcohort klein was met slechts een zeer beperkt aantal CIE-gebeurtenissen. De receiver operating characteristic (ROC)-curves van het Naive Bayes-model in de trainings- en testsets worden weergegeven in Figuur 7.

Hoewel het MLP-model goed presteerde in de trainingsset (AUC = 0,961), nam de prestatie aanzienlijk af in de testset (AUC = 0,742), wat wijst op mogelijke overfitting. Op dezelfde manier vertoonde het KNN-model een beperkt onderscheidend vermogen in de testset (AUC = 0,718) met een breed betrouwbaarheidsinterval, wat duidt op instabiliteit. De strategie op basis van de Youden-index werd gebruikt om de optimale classificatiedrempel te bepalen voor drempelafhankelijke metrieken, waaronder sensitiviteit, specificiteit en nauwkeurigheid. De ROC-AUC-waarden zelf zijn drempelonafhankelijk. Daarom weerspiegelen de gerapporteerde drempelafhankelijke prestatiemetrieken het modelgedrag bij het optimale werkpunt. De optimale Youden-drempels en de bijbehorende drempelgebaseerde metrieken zijn opgenomen in Aanvullende Tabel 6. Over het algemeen vertoonde het Naive Bayes-model een relatief stabiele beschrijvende prestatie tussen de trainingsset en de interne testset, met een minimale numerieke daling in AUC.

Beslissingscurve-analyse

DCA werd uitgevoerd om het klinische nut van de modellen te evalueren over een reeks drempelwaarschijnlijkheden. De DCA-curves worden weergegeven in Figuur 8. Alle modellen vertoonden een positief netto voordeel over specifieke bereiken van drempelwaarschijnlijkheden in vergelijking met de 'behandel-alleen' en 'behandel-niemand' strategieën. Van de geëvalueerde modellen vertoonde SVM het breedste bereik van positief netto voordeel, terwijl de andere modellen eveneens potentieel klinisch nut lieten zien binnen specifieke drempelbereiken.

DATABESCHIKBAARHEID:

De gede-identificeerde ruwe gegevens die zijn gebruikt ter ondersteuning van de hoofdanalyses zijn geüpload naar GitHub en zijn beschikbaar via: https://doi.org/10.5281/zenodo.20043331. Alle directe patiëntidentificatoren zijn verwijderd vóór het delen van de gegevens. Omdat dit een retrospectieve klinische studie was op basis van medische dossiers uit het ziekenhuis, blijft de toegang tot alle aanvullende informatie op patiëntniveau beperkt door institutionele ethische en privacyvereisten. Aanvullende gede-identificeerde gegevens kunnen op redelijk verzoek en na goedkeuring van de institutionele ethische commissie worden opgevraagd bij de corresponderende auteur. De scripts voor de statistische analyse, de code voor het trainen van het ML-model en de code voor het genereren van figuren zijn als aanvullende bestanden verstrekt ter ondersteuning van de reproduceerbaarheid.

Figuur 1: Workflow van CIE-risicomodellering op basis van perioperatieve gegevens. (A) Mechanismen van CIE en afleiding van de contrastvolume-tot-eGFR-ratio (CGR). (B) Dataintegratie en LASSO-gebaseerde kenmerkselectie. (C) Ontwikkeling en vergelijking van ML-modellen, waarbij Naive Bayes de hoogste numerieke AUC in de interne testset vertoonde (AUC ≈ 0,95). Afkortingen: CIE = contrast-induced encephalopathy; CGR = contrast volume-to-eGFR ratio; eGFR = estimated glomerular filtration rate; AUC = area under the curve. De figuur is afgeleid van de eigen klinische gegevens van de auteurs, en de schematische illustratie is oorspronkelijk door de auteurs gemaakt met aangepaste Microsoft PowerPoint-pictogrammen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Patiëntselectie en cohorttoewijzing. Stroomdiagram dat de patiëntscreening, beoordeling van geschiktheid, exclusiecriteria en cohorttoewijzing illustreert. In totaal werden 225 patiënten in eerste instantie beoordeeld. Na toepassing van de inclusiecriteria, waaronder een leeftijd tussen 30 en 80 jaar, beschikbaarheid van volledige klinische gegevens en een postoperatieve CT-scan van het hoofd binnen 3 dagen, waren 190 patiënten geschikt. Patiënten werden uitgesloten op basis van acuut cerebraal infarct, chronische nierziekte stadium ≥ G4 (eGFR < 30 mL/min/1.73 m²), ernstige cardiovasculaire ziekten, afwezigheid van endovasculaire behandeling, ernstig neurologisch tekort (modified Rankin Scale score ≥ 4) of onvolledige gegevens. Uiteindelijk werden 161 patiënten geïncludeerd en willekeurig verdeeld over het trainingscohort (n = 128) en het interne testcohort (n = 33) in een verhouding van 8:2. Afkortingen: CT = computed tomography; eGFR = geschatte glomerulaire filtratiesnelheid; CKD = chronische nierziekte; mRS = modified Rankin Scale. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Seriele CT-beelden zonder contrast bij een patiënt met CIE. (A) Baseline CT vóór de procedure. (B) CT bij aanvang van de symptomen die corticale hyperdensiteit in de rechter pariëtale kwab toont (pijl). (C) CT op de eerste postoperatieve dag die gedeeltelijke resolutie toont. (D) CT op de tweede postoperatieve dag die verdere resolutie toont. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: LASSO-gebaseerde featureselectie. (A) Curve van tienvoudige kruisvalidatie die is gebruikt om de optimale λ te bepalen op basis van de minimale MSE. (B) Coëfficiëntprofielen van kandidaatvariabelen uitgezet tegen log(λ), die de veranderingen in variabele coëfficiënten tonen bij toenemende regularisatiesterkte. Afkortingen: LASSO = least absolute shrinkage and selection operator; λ = regularisatieparameter; MSE = gemiddelde kwadratische fout. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5: Coëfficiënten van geselecteerde variabelen. Staafdiagram dat de coëfficiënten toont van variabelen die na LASSO-selectie zijn behouden. Positieve coëfficiënten duiden op een positieve associatie; negatieve coëfficiënten duiden op een inverse associatie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6: Trainings- en testnauwkeurigheid van de vijf ML-modellen. Nauwkeurigheid van vijf ML-modellen (Naive Bayes, SVM, KNN, LightGBM, MLP) in trainings- en testsets. Afkortingen: SVM = support vector machine; KNN = k-nearest neighbor; LightGBM = light gradient boosting machine; MLP = multilayer perceptron. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7: ROC-curves van het Naive Bayes-model. Receiver operating characteristic-curves voor de trainings- en interne testcohorten met de overeenkomstige waarden voor het oppervlak onder de curve. Afkortingen: ROC = receiver operating characteristic; AUC = area under the curve. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 8: Decision curve-analyse. DCA die het netto voordeel van verschillende modellen over drempelwaarschijnlijkheden laat zien in vergelijking met 'behandel-alle'- en 'behandel-geen'-strategieën. Gekleurde regio's geven de bereiken van drempelwaarschijnlijkheden aan waarin het model een positief netto voordeel behaalde vergeleken met zowel de 'behandel-alle'- als de 'behandel-geen'-strategieën. Afkortingen: DCA = decision curve analysis. Klik hier om een grotere versie van deze figuur te bekijken.

Aanvullende figuur 1: Confusiematrix van het Naive Bayes-model in de interne testcohort.De matrix toont het aantal correct en incorrect geclassificeerde monsters bij de geselecteerde classificatiedrempel.Klik hier om dit bestand te downloaden.

Aanvullende figuur 2: Confusiematrix van het SVM-model in de interne testcohort. De matrix toont het aantal correct en incorrect geclassificeerde monsters bij de geselecteerde classificatiedrempel.Klik hier om dit bestand te downloaden.

Aanvullende figuur 3: Confusiematrix van het KNN-model in de interne testcohort. De matrix toont het aantal correct en incorrect geclassificeerde monsters bij de geselecteerde classificatiedrempel.Klik hier om dit bestand te downloaden.

Aanvullende figuur 4: Confusiematrix van het LightGBM-model in de interne testcohort.De matrix toont het aantal correct en onjuist geclassificeerde monsters bij de geselecteerde classificatiedrempel.Klik hier om dit bestand te downloaden.

Aanvullende figuur 5: Confusiematrix van het MLP-model in de interne testcohort.De matrix toont het aantal correct en incorrect geclassificeerde monsters bij de geselecteerde classificatiedrempel.Klik hier om dit bestand te downloaden.

Kenmerk	CIE ( n = 12 )	Non-CIE ( n = 149 )	p waarde
Demografie
Leeftijd (jaar), mediaan (IQR)	67 (62.5–69.0 )	63 ( 55.0–70.0 )	0.194
Man, n (%)	9 (75.0)	105 (70.5)	1.000
Gewicht (kg), mediaan (IQR)	65 (55.0–70.0)	70 (60.0–77.5)	0.160
Comorbiditeiten, n (%)
Hypertensie	7 (58.3)	102 (68.5)	0.526
Diabetes	4 (33.0)	57 (38.3)	1.000
Coronaire hartaandoening	2 (16.7)	23 (15.4)	1.000
Gewoonten, n (%)
Alcoholgebruik	7 (58.3)	78 (52.3)	0.770
Rookstatus	7 (58.3)	59 (39.6)	0.233
Labwaarden, mediaan (IQR)
Serumcreatinine (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
Totaal cholesterol (mmol/L)	3.3 (3.0–4.4)	3.4 (2.9–4.1)	0.775
Triglyceriden (mmol/L)	1.8 (1.2–2.1)	1.2 (0.8–1.6)	0.017
Procedurekenmerken
Type procedure, n ( % )			<0.001
- Stentangioplastiek	7 (58.3)	146(98.0)
- Embolisatie	5 (41.7)	3 (2.0)
Locatie laesie, n (%)			<0.001
- Posteriorcirculatie	7 (58.3)	9 (6.0)
- Anteriorcirculatie	5 (41.7)	140 (94.0)
Type contrastmiddel, n (%)			0.982
- 2e generatie	6 (50.0)	75 (50.3)
- 3e generatie	6(50.0)	74 (49.7)
Totaal contrastvolume (mL), mediaan (IQR)	200 (188.0–200.0)	165 (155.0–180.0)	0.005
Procedureduur (min), mediaan (IQR)	78.5 (52.5–124.5)	50 (47.0–57.0)	0.008
Novel Index
CGR, mediaan (IQR)	2.35 (2.17–2.70)	1.63 (1.40–1.85)	<0.001

Tabel 1: Basislijn klinische kenmerken van patiënten. Demografische, klinische, laboratorium- en proceduregerelateerde kenmerken van patiënten werden vergeleken tussen de CIE- en non-CIE-groepen. Continue variabelen worden weergegeven als gemiddelde ± standaarddeviatie of mediaan (interkwartielafstand), en categorische variabelen worden weergegeven als aantal en percentage. Statistische vergelijkingen tussen groepen werden uitgevoerd met behulp van geschikte parametrische of non-parametrische toetsen. Afkortingen: CIE = contrast-geïnduceerde encefalopathie; eGFR = geschatte glomerulaire filtratiesnelheid; CGR = verhouding contrastvolume tot eGFR; IQR = interkwartielafstand; SD = standaarddeviatie.

Modelnaam	Nauwkeurigheid	AUC	95% BI	Sensitiviteit	Specificiteit	Dataset
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	train
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	test
SVM	0.992	0.999	0.997–1.000	1.0	0.992	train
SVM	0.879	0.935	0.796–1.000	1.0	0.871	test
KNN	0.891	0.969	0.941–0.997	1.0	0.881	train
KNN	0.939	0.718	0.194–1.000	0.5	0.968	test
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	train
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	test
MLP	0.914	0.961	0.908–1.000	0.9	0.915	train
MLP	0.970	0.742	0.228–1.000	0.5	1.000	test

Tabel 2: Vergelijking van de prestaties van de modellen. De voorspellende prestaties van verschillende ML-modellen werden geëvalueerd aan de hand van accuratesse, area under the curve (AUC), 95% betrouwbaarheidsinterval (CI), sensitiviteit en specificiteit in de trainings- en interne testdatasets. Afkortingen: CI = betrouwbaarheidsinterval.

Aanvullende tabel 1: Samenvatting van de beoordeling van ontbrekende gegevens vóór modelontwikkeling. Samenvatting van ontbrekende waarden voor alle potentiële predictoren vóór modelontwikkeling. Er werden geen ontbrekende waarden waargenomen onder de opgenomen variabelen; daarom is er geen imputatieprocedure uitgevoerd.Klik hier om dit bestand te downloaden.

Aanvullende Tabel 2: Variabelenwoordenboek van de analytische dataset. Definities, coderingsmethoden, variabelecategorieën en beschrijvingen van klinische, laboratorium- en proceduregerelateerde variabelen opgenomen in de ML-analyse.Klik hier om dit bestand te downloaden.

Aanvullende Tabel 3: Hyperparameter-zoekruimte en geselecteerde parameters voor ML-modellen. De kandidaat-hyperparameterbereiken en geoptimaliseerde parameters die tijdens de modelafstemming voor elk ML-algoritme zijn verkregen, zijn samengevat.Klik hier om dit bestand te downloaden.

Aanvullende tabel 4: Vergelijkende ROC-analyse van CGR en de individuele componenten daarvan.Er is een receiver operating characteristic-analyse uitgevoerd om de voorspellende prestaties van CGR en de individuele componenten daarvan voor de voorspelling van CIE te vergelijken.Klik hier om dit bestand te downloaden.

Aanvullende tabel 5: Kwantitatieve rangschikking van kenmerken op basis van LASSO-coëfficiënten. De geselecteerde variabelen werden gerangschikt op basis van hun coëfficiëntwaarden na LASSO-regressie, wat de relatieve bijdrage en de richting van de associatie van elke variabele in het voorspellende model laat zien.Klik hier om dit bestand te downloaden.

Aanvullende tabel 6: Youden-drempelwaarden bepaald in de trainingscohort en de bijbehorende prestatiemetrics voor classificatie. De optimale drempelwaarde voor elk model werd exclusief in de trainingscohort bepaald met behulp van de Youden-index en werd vervolgens vastgesteld en toegepast op de interne testcohort. De accuratesse, sensitiviteit en specificiteit in de interne testcohort werden berekend met behulp van deze vaste drempelwaarden.Klik hier om dit bestand te downloaden.

Discussie

CIE is een zeldzame maar potentieel ernstige complicatie na neuro-interventionele procedures, gekenmerkt door acute neurologische disfunctie die kort na blootstelling aan contrastmiddelen optreedt. Hoewel de aandoening doorgaans reversibel is, kan zij in sommige gevallen leiden tot aanhoudende neurologische defecten of zelfs levensbedreigende uitkomsten, wat het belang van vroege risico-identificatie onderstreept^17,18,19,20. De pathofysiologische mechanismen die ten grondslag liggen aan CIE zijn echter complex en multifactorieel, waarbij interacties optreden tussen patiëntspecifieke factoren, eigenschappen van het contrastmiddel en procedurele kenmerken^{9,10,21,22,23,24}. Deze complexiteit maakt het uiterst uitdagend om een nauwkeurige perioperatieve risicobeoordeling te verkrijgen op basis van enkelvoudige klinische variabelen of empirisch oordeel.

In deze studie werden vijf ML-modellen geconstrueerd en geëvalueerd om het risico op CIE bij patiënten die een cerebrovasculaire interventie ondergingen te voorspellen. Na een beschrijvende prestatievergelijking werd het Naive Bayes-model geïdentificeerd als het model met de meest gebalanceerde beschrijvende prestaties in deze studie. Wat betreft het onderscheidend vermogen van het model vertoonde het Naive Bayes-model de hoogste numerieke AUC in de interne testcohort (AUC = 0,952; 95% BI: 0,843–1,000), vergeleken met LightGBM (AUC = 0,944; 95% BI: 0,822–1,000), SVM (SVM; AUC = 0,935; 95% BI: 0,796–1,000), MLP (MLP; AUC = 0,742; 95% BI: 0,228–1,000), en het KNN-algoritme (KNN; AUC = 0,718, 95% BI: 0,195–1,000). Omdat er geen formele paarsgewijze statistische vergelijking tussen de AUC's van de modellen is uitgevoerd, moeten deze verschillen worden geïnterpreteerd als beschrijvend en niet als definitief bewijs van de superioriteit van een model. Het is vermeldenswaard dat KNN en MLP goed presteerden in de trainingsset (AUC respectievelijk 0,969 en 0,961), maar dat hun prestaties aanzienlijk afnamen in de testset, wat wijst op mogelijke overfitting²⁵. In contrast hiermee behield het Naive Bayes-model vergelijkbare beschrijvende AUC-waarden tussen de trainings- en interne testcohorten (AUC-verschil = 0,009), wat duidt op relatief stabiele beschrijvende prestaties in deze dataset. Deze schijnbare stabiliteit moet echter voorzichtig worden geïnterpreteerd, aangezien de interne testcohort slechts 33 patiënten en een zeer beperkt aantal CIE-gebeurtenissen omvatte.

Vanuit een praktisch perspectief kan de relatief eenvoudige probabilistische structuur van Naive Bayes geschikt zijn voor klinische datasets met kleine steekproeven, met name wanneer het aantal uitkomstgebeurtenissen beperkt is. In deze studie vertoonde het Naive Bayes-model een relatief gebalanceerde descriptieve prestatie tussen de trainings- en interne testcohorten. Echter, omdat het interne testcohort klein was en zeer weinig CIE-gebeurtenissen bevatte, moet deze schijnbare stabiliteit voorzichtig worden geïnterpreteerd en is externe validatie vereist. De relatief gunstige descriptieve prestatie van het Naive Bayes-model in deze dataset kan gerelateerd zijn aan de eenvoudige probabilistische structuur en de geschiktheid voor kleine steekproeven onder de aanname van onafhankelijkheid van kenmerken^14,15. Daarentegen zijn complexere modellen, zoals MLP en LightGBM, gevoeliger voor overfitting onder omstandigheden met beperkte steekproeven, waardoor hun generalisatievermogen afneemt. Deze bevindingen suggereren ook dat, in klinisch georiënteerde onderzoeksvelden met een hoog risico, zoals de neuro-interventionele geneeskunde, de modelselectie meer nadruk moet leggen op stabiliteit, reproduceerbaarheid en klinische haalbaarheid, in plaats van blindelings te streven naar de absolute superioriteit van complexe algoritmen of enkele prestatiemetrics. DCA suggereerde dat het Naive Bayes-model een netto voordeel kan bieden over geselecteerde drempelwaarschijnlijkheden, maar deze bevinding blijft exploratief en vereist externe validatie. Bovendien kunnen de eenvoudige structuur, efficiënte berekening en interpreteerbaarheid de toekomstige evaluatie ondersteunen als een exploratief model voor perioperatieve risicostratificatie, maar externe validatie is vereist vóór klinische implementatie. Vanuit een klinisch perspectief was de incidentie van CIE in deze studie 7,5%, hoger dan de 2%–5% die over het algemeen in eerdere rapporten is gedocumenteerd⁷. Dit verschil is grotendeels toe te schrijven aan de zeer selectieve aard van de studiepopulatie: het cohort richtte zich op patiënten met cerebrovasculaire aandoeningen die complexe neuro-interventionele procedures ondergingen, zoals aneurysma-embolisatie. Het unieke contrast tussen de patronen van contrastmiddeladministratie die geassocieerd zijn met deze procedures, zoals superselectieve angiografie en lokale hoge-dosishouding — evenals langere procedureduuren, zijn allemaal erkende risicofactoren voor CIE^9,10,26. Bovendien verhoogt het hogere baseline-risico van de patiënten de totale incidentie verder. De resultaten van de studie onderstrepen dat letsels van de posterieure circulatie en embolisatieprocedures sterke predictoren zijn voor CIE. Anatomisch gezien voorziet de posterieure circulatie (vertebrobasilaire systeem) de hersenstam, het cerebellum en de occipitaalkwab. De occipitaalkwab vertoont een extreem hoge gevoeligheid voor contrastmiddeltoxiciteit, wat verklaart waarom CIE-patiënten vaak kampen met corticale blindheid. Daarnaast verschillen de hemodynamische kenmerken van het vertebrobasilaire systeem van die van de anterieure circulatie, wat mogelijk mede verklaart waarom er in dit cohort een associatie is waargenomen tussen letsels van de posterieure circulatie en CIE.

Embolisatieprocedures zijn doorgaans uitdagender dan eenvoudige angioplastiek en vereisen frequente superselectieve angiografie om de positie van de coils en de mate van trombusocclusie te bevestigen, wat resulteert in een significant hogere piekblootstelling aan contrastmiddel in het lokale vasculaire bed per tijdseenheid vergeleken met routineprocedures. Deze intense en gelokaliseerde contrastblootstelling kan een biologisch plausibele bijdrage leveren aan de disruptie van de BBB, hoewel dit mechanisme in de huidige retrospectieve studie niet direct kon worden geverifieerd. In overeenstemming met de analyse van de baselinekenmerken hadden patiënten in de CIE-groep significant hogere percentages embolisatiebehandelingen en een groter aandeel letsels in de achterste circulatie vergeleken met de non-CIE-groep, wat suggereert dat de chirurgische complexiteit en de anatomische locatie van het letsel geassocieerd kunnen zijn met het optreden van CIE. Bovendien benadrukken de langere procedureduur en het hogere totale contrastmiddelgebruik in de CIE-groep verder de cumulatieve impact van operatiegerelateerde stressoren op het risico op de ontwikkeling van CIE.

Om de klinische interpreteerbaarheid van het model te verbeteren, evalueerde deze studie de CGR als een verkennende samengestelde index. Het risico op het optreden van CIE hangt niet alleen af van de absolute dosis contrastmiddel die de cerebrale vasculatuur binnendringt, maar is ook nauw verbonden met de snelheid waarmee het contrastmiddel uit de systemische circulatie wordt geklaard. De CGR integreert het totale contrastvolume en de eGFR in één enkele samengestelde index die de belasting door het contrastmiddel weerspiegelt ten opzichte van de renale klaringcapaciteit. Deze ontwerpbenadering is gebaseerd op het goed gevestigde ratio-gebaseerde paradigma dat wordt gebruikt bij het voorspellen van contrastmiddel-geïnduceerde nefropathie (CIN), zoals de ratio tussen contrastmiddelvolume en eGFR²⁷, en sluit aan bij huidige strategieën voor het construeren van uitgebreide biomarkers zoals de neutrofiel-lymfocyt ratio (NLR)²⁸ en de triglyceride-glucose index (TyG)²⁹, die allen erop gericht zijn de onderliggende pathofysiologische toestanden van ziekten te onthullen. Gejodeerde contrastmiddelen worden primair in hun oorspronkelijke vorm door de nieren uitgescheiden. Wanneer de renale klaring verminderd is, kan de systemische blootstelling aan gejodeerde contrastmiddelen worden verlengd, wat de endotheliale blootstelling aan contrastmiddelen zou kunnen verhogen. Tijdens neuro-interventionele procedures worden contrastmiddelen vaak in hoge concentraties direct in de cerebrale circulatie geïnjecteerd via de arteria carotis interna of de arteriae vertebrales; de lokaal extreme osmotische drukgradiënt kan de integriteit van de BBB verstoren³⁰. Op dat moment, indien de systemische klaring is aangetast, kan het opgehoopte contrastmiddel in de bloedbaan een concentratiegradiënt over de BBB blijven handhaven, wat de diffusie van het contrastmiddel naar de interstitiële ruimte van de hersenen stimuleert. Bovendien kan de CGR een klinisch intuïtieve manier bieden om contrastbelasting en renale klaring te integreren, maar de incrementele voorspellende waarde ten opzichte van alleen het contrastvolume of de eGFR vereist verdere validatie. Daarom kan de CGR dienen als een verkennende index voor perioperatieve CIE-risicostratificatie.

Uit deze studie bleek dat het type contrastmiddel (tweede generatie laag-osmolair versus derde generatie iso-osmolair) geen significante onafhankelijke voorspellende waarde had voor CIE (p = 0,982). Deze bevinding is niet geheel consistent met sommige eerdere rapporten. Een mogelijke verklaring is dat factoren anders dan de osmolariteit, zoals chemische toxiciteit of viscositeit, kunnen bijdragen aan de neurotoxiciteit van het contrastmiddel; deze interpretatie blijft echter speculatief en vereist verdere mechanistische validatie. Deze interpretatie wordt ondersteund door eerdere klinische en mechanistische studies^31,32. Bovendien kunnen operators in de klinische praktijk bij patiënten met een hoog risico bij voorkeur kiezen voor iso-osmolaire contrastmiddelen van de derde generatie, wat een potentiële indicatiegerelateerde confounding bias introduceert die eventuele onderliggende verschillen tussen diverse typen contrastmiddelen kan maskeren.

Verschillende kritieke protocolstappen moeten worden benadrukt voor de succesvolle toepassing van deze workflow. Ten eerste is een strikte beoordeling van de uitkomst essentieel, omdat een onjuiste CIE-classificatie de training en evaluatie van het model direct zou beïnvloeden. Vermoedelijke CIE-gevallen moeten worden beoordeeld op basis van de temporele relatie tussen contrastblootstelling en het optreden van symptomen, neurologische manifestaties, postoperatieve beeldvormingsbevindingen en het uitsluiten van alternatieve diagnoses. Ten tweede zijn nauwkeurige extractie en verificatie van het totale contrastvolume en de eGFR belangrijk, omdat deze twee variabelen de CGR-berekening bepalen. Ten derde moet de CGR voor alle patiënten volgens dezelfde regel worden berekend nadat zowel het totale contrastvolume als de eGFR zijn bevestigd. Ten vierde moeten feature-selectie, imputatie-parameterestimatie, hyperparameter-tuning en modeltraining uitsluitend binnen de trainingscohort worden uitgevoerd om datalekken te voorkomen. Ten slotte, omdat CIE ongebruikelijk is en het aantal gebeurtenissen beperkt is, moet de modelprestatie voorzichtig worden geïnterpreteerd en extern worden gevalideerd vóór klinische implementatie³³.

Bij het toepassen van deze workflow in andere settings moeten ook verschillende methodeaanpassingen en strategieën voor probleemoplossing worden overwogen. Als het aandeel ontbrekende gegevens hoog is, moeten onderzoekers eerst vaststellen of de ontbrekende gegevens willekeurig zijn en moet het imputeren van variabelen met overmatige missingness worden vermeden. Als het aantal CIE-gebeurtenissen zeer klein is, moet de modelcomplexiteit worden verminderd; simpelere of gestrafte modellen kunnen dan de voorkeur hebben om overfitting te beperken. Indien de workflow wordt toegepast op een ander centrum, moeten variabeledefinities, coderingsregels, methoden voor de berekening van de eGFR, praktijken voor het registreren van contrastvolume en criteria voor de beoordeling van beelden worden geharmoniseerd vóór de modeltraining. Als de modelprestaties afnemen tijdens interne of externe validatie, moeten potentiële oorzaken zoals klasse-onbalans, datalekkage, inconsistente preprocessing, onstabiele kenmerkselectie en verschillen in de patiëntenpopulatie worden onderzocht. Voor gevallen met een onzekere CIE-diagnose worden adjudicatie door meerdere ervaren clinici en een zorgvuldige uitsluiting van alternatieve diagnoses aanbevolen vóór de modelontwikkeling.

Deze studie kent de volgende beperkingen: Ten eerste hanteert deze studie een retrospectief design in één enkel centrum met een beperkt aantal CIE-gebeurtenissen. Er vonden slechts 12 CIE-gebeurtenissen plaats bij de 161 geïncludeerde patiënten, en de interne testcohort bestond uit slechts 33 patiënten met een zeer beperkt aantal CIE-gevallen. Daarom kunnen prestatiematrices zoals AUC, sensitiviteit en specificiteit onstabiel zijn en zeer gevoelig voor de classificatie van slechts één of twee gevallen. In de toekomst zal externe validatie via multicentrische, prospectieve studies met een grote steekproef nodig zijn om de betrouwbaarheid van het model verder te bevestigen. Ten tweede is het in deze studie ontwikkelde model primair gebaseerd op routinematige klinische variabelen die vóór en tijdens de operatie zijn verzameld. In de toekomst zouden we intraoperatieve kinetische parameters van contrastmiddelen, vroege postoperatieve beeldkenmerken en serumspecifieke biomarkers verder kunnen integreren om een dynamischer en uitgebreider CIE-risicovoorspellingssysteem op te bouwen. Ten derde leidde de lage incidentie van CIE (7,5%) tot een aanzienlijke klassenonbalans, met slechts 12 CIE-gevallen en 149 non-CIE-gevallen. Deze onbalans kan de betrouwbaarheid van de prestatiematrices van het model verminderen. Nauwkeurigheid kan de modelprestaties overschatten wanneer de non-CIE-klasse de dataset domineert, terwijl sensitiviteit, specificiteit, positieve voorspellende waarde en negatieve voorspellende waarde onstabiel kunnen zijn omdat ze worden beïnvloed door een zeer klein aantal CIE-gebeurtenissen. Daarom moet het voorgestelde model momenteel worden beschouwd als een verkennend kader voor risicostratificatie in plaats van als een definitief instrument voor klinische besluitvorming. Aanvullende herhaalde kruisvalidatie of validatie op basis van resamplen is in de huidige studie niet uitgevoerd omdat het aantal CIE-gebeurtenissen zeer beperkt was, en dergelijke analyses bij een aanzienlijke klassenonbalans nog steeds onstabiele schattingen kunnen opleveren. Multicentrische externe validatie en prospectieve beoordeling zijn vereist vóór klinische implementatie.

Samenvattend heeft deze studie systematisch verschillende ML-modellen vergeleken en is vastgesteld dat het Naive Bayes-model de meest gebalanceerde descriptieve prestaties vertoonde voor de voorspelling van CIE in de huidige dataset. Dit model kan een eerste ondersteuning bieden voor perioperatieve risicostratificatie, maar de klinische bruikbaarheid ervan vereist verdere validatie. Bovendien evalueerde deze studie CGR als een verkennende samengestelde metriek, die de onbalans tussen "contrastmiddellast en renale klaring" kwantificeert. CGR bleek een van de meest invloedrijke voorspellers in het model en kan nuttige informatie verschaffen voor een geïndividualiseerde perioperatieve risicobeoordeling. Deze bevindingen kunnen helpen bij het genereren van hypothesen voor het identificeren van hoogrisicopatiënten die neuro-interventionele procedures ondergaan, maar er zijn verdere studies met grotere steekproeven en externe validatie nodig. Toekomstige studies met grotere steekproeven en externe validatie zijn noodzakelijk om te bepalen of multimodale voorspellingsmodellen de CIE-risicostratificatie kunnen verbeteren en een preciezere preventie en behandeling van deze complicatie kunnen ondersteunen.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Elektronisch medisch dossier-systeem	Northern Theater General Hospital	Institutioneel klinisch systeem	Gebruikt voor retrospectieve data-extractie Verzameling van demografische variabelen en variabelen van de klinische voorgeschiedenis
Laboratoriuminformatiesysteem	Northern Theater General Hospital	Institutioneel laboratoriumsysteem	Gebruikt voor retrospectieve extractie van laboratoriumgegevens Verzameling van serumcreatinine, eGFR, lipidenprofiel en andere laboratoriumgegevens
Digitaal subtractie-angiografiesysteem	Philips	Allura Xper FD 20 (met Interventional Workstation R1.3.2)	Gebruikt tijdens routinematige klinische procedures Neuro-interventionele procedure en registratie van contrastmiddelgebruik
CT-scanner	Philips	Ingenuity CT	Gebruikt voor postoperatieve beeldbeoordeling Postoperatieve craniale CT-evaluatie
OnekeyAI analyseplatform voor gestructureerde data	OnekeyAI	20240916	Gebruikt als onderzoeksinstrument; geen rol in klinische besluitvorming Preprocessing van gestructureerde data, modelconstructie, modelevaluatie en genereren van figuren
Python	Python Software Foundation	3.7.12	Open-source programmeertaal Data-preprocessing, statistische analyse, modelontwikkeling en visualisatie
scikit-learn	scikit-learn developers	1.0.2	Open-source Python machine-learning bibliotheek LASSO, Naive Bayes, SVM, KNN, MLP, ROC-analyse en prestatiemetrieken