Predição por Aprendizado de Máquina de Encefalopatia Induzida por Contraste Após Procedimentos Neurointervencionistas

Resumo

Uma estrutura exploratória de aprendizado de máquina (ML) utilizando dados perioperatórios foi avaliada para prever a encefalopatia induzida por contraste (CIE) após procedimentos neurointervencionais. O modelo Naive Bayes apresentou o desempenho descritivo mais equilibrado, e a razão contraste para eGFR (CGR) foi identificada como um importante preditor candidato para avaliação de risco individualizada.

Resumo

A EIC é uma complicação rara, porém grave, após procedimentos neurointervencionais, para a qual ainda faltam ferramentas preditivas não invasivas e confiáveis. Este estudo teve como objetivo desenvolver e validar um modelo de ML para prever a EIC utilizando dados clínicos e procedimentais perioperatórios, além de avaliar o valor preditivo da RCG para EIC. Este foi um estudo retrospectivo de centro único que incluiu consecutivamente 161 pacientes submetidos a procedimentos neurointervencionais no Departamento de Neurocirurgia do Hospital Geral do Teatro Norte entre janeiro de 2024 e dezembro de 2025. Preditores perioperatórios candidatos a EIC foram identificados por meio de análise univariada combinada com regressão LASSO. Com base nas variáveis selecionadas, cinco modelos de ML — Naive Bayes, máquina de vetores de suporte (SVM), k-vizinhos mais próximos (KNN), LightGBM e perceptron multicamadas (MLP) — foram treinados e otimizados. O desempenho do modelo foi avaliado de forma abrangente utilizando a área sob a curva da característica de operação do receptor (AUC), análise de curva de decisão (DCA). Dentre os modelos avaliados, o modelo Naive Bayes apresentou o desempenho descritivo mais favorável no conjunto de teste interno, com uma AUC de 0,952 (IC 95%: 0,843–1,000), sensibilidade de 100% e especificidade de 90,3%; entretanto, essas métricas devem ser interpretadas com cautela, pois o conjunto de dados era acentuadamente desbalanceado e a coorte de teste interna era pequena e continha apenas um número muito limitado de eventos de EIC. Os resultados da DCA sugeriram benefício clínico líquido potencial em diferentes probabilidades limiares selecionadas. A análise de importância de características indicou que a RCG estava entre os preditores candidatos com classificação mais alta associados ao risco de EIC neste conjunto de dados. O modelo Naive Bayes avaliado neste estudo pode fornecer uma estrutura preliminar de estratificação de risco para avaliação perioperatória de EIC após procedimentos neurointervencionais. A RCG emergiu como uma característica preditiva importante e pode auxiliar na estratificação de risco individualizada. É necessário validação externa adicional antes da aplicação clínica.

Introdução

Ao longo das últimas duas décadas, as técnicas intervencionistas minimamente invasivas transformaram fundamentalmente o paradigma de tratamento das doenças cerebrovasculares¹. Os procedimentos neurointervencionistas—graças às suas vantagens de alta eficácia e mínima invasividade—tornaram-se opções terapêuticas importantes para determinados distúrbios cerebrovasculares². No entanto, à medida que aumenta a complexidade dos procedimentos intervencionistas, também aumentam as doses de agentes de contraste utilizadas durante os procedimentos, as pressões de injeção e a duração da exposição ao agente de contraste. Consequentemente, as complicações relacionadas ao agente de contraste têm recebido crescente atenção^3,4,5,6,7. A EIC, uma disfunção neurológica aguda e transitória induzida por meios de contraste iodados (MCI), tem sido cada vez mais reconhecida como uma complicação clinicamente relevante, especialmente em procedimentos neurointervencionistas complexos. As manifestações clínicas típicas da EIC geralmente aparecem em minutos até 24 h após a exposição ao agente de contraste e incluem alterações na consciência (como sonolência, delírio ou coma), cegueira cortical, déficits neurológicos focais (como hemiparesia ou afasia) e crises convulsivas^4,5,6. Embora a maioria dos casos de EIC seja autolimitada e os sintomas geralmente se resolvam em 48 a 72 h, alguns pacientes podem apresentar comprometimento neurológico persistente. Casos graves podem inclusive levar à morte devido a edema cerebral maciço^4,7. Essa imprevisibilidade dos desfechos enfatiza a necessidade urgente de desenvolver uma ferramenta confiável para predição precoce de risco no período perioperatório.

À medida que o volume de dados clínicos continua a aumentar, métodos estatísticos tradicionais tornam-se cada vez mais inadequados ao lidar com dados médicos de alta dimensionalidade que apresentam multicolinearidade. Além disso, análises univariadas ou modelos simples de regressão logística frequentemente falham em capturar as interações complexas e não lineares entre variáveis. A aprendizagem de máquina (ML) oferece uma nova dimensão para enfrentar esses desafios⁸. Algoritmos de ML—como SVM, máquinas de boosting por gradiente (LightGBM) e MLP—podem identificar automaticamente padrões latentes em espaços de características de alta dimensionalidade e construir modelos não lineares com poderosas capacidades preditivas^8,9,10,11. No entanto, embora se busque precisão preditiva, a natureza "caixa-preta" desses algoritmos, caracterizada pela falta de interpretabilidade, frequentemente levanta preocupações quanto à confiança na tomada de decisões médicas^12,13. Em contraste, o algoritmo Naive Bayes, com sua lógica probabilística simples e interpretabilidade inerente, demonstra vantagens únicas em estudos clínicos com pequenas amostras^14,15. Ao avaliar a contribuição da probabilidade posterior de cada variável preditora para o evento desfecho, o modelo Naive Bayes não apenas garante desempenho preditivo, mas também fornece aos clínicos informações intuitivas de apoio à decisão. Além disso, para avaliar quantitativamente o desequilíbrio entre a carga de agente de contraste e a capacidade individual de depuração, este estudo introduz inovadoramente a razão entre agente de contraste e eGFR (CGR) como característica principal. Em pacientes com reserva funcional renal mais baixa, mesmo doses moderadas de agentes de contraste podem resultar em valores extremamente altos de CGR, o que pode aumentar a suscetibilidade à LEC. A CGR pode fornecer uma medida composta clinicamente intuitiva que integra a carga do agente de contraste e a capacidade de depuração renal, embora seu valor preditivo incremental exija validação adicional. Ao incorporar esse biomarcador integrado, este estudo teve como objetivo desenvolver uma estrutura preditiva que reflita mais fielmente a realidade fisiopatológica.

Em resumo, este estudo teve como objetivo desenvolver e validar um modelo preditivo de EIC baseado em aprendizado de máquina (ML), utilizando variáveis clínicas e procedimentais perioperatórias¹⁶. Os objetivos específicos incluem: (1) apresentar e avaliar a RDC como um índice composto exploratório; (2) construir e comparar o desempenho de cinco modelos de ML — Naive Bayes, SVM, KNN, LightGBM e MLP; e (3) identificar o modelo ótimo. Dado o número limitado de eventos de EIC, a comparação dos modelos foi considerada exploratória e geradora de hipóteses. Em última análise, este estudo pode fornecer uma estrutura preliminar de estratificação de risco para EIC na prática neurointervencionista, mas não deve ser utilizado como ferramenta isolada de tomada de decisão clínica sem validação externa. A base conceitual da RDC e sua relação com a exposição ao contraste e a depuração renal são ilustradas na Figura 1A. O fluxo geral do estudo, incluindo o pré-processamento dos dados, divisão em conjuntos de treinamento/teste, seleção de características e desenvolvimento do modelo, é resumido na Figura 1B. A estrutura de avaliação comparativa dos cinco modelos de ML é apresentada na Figura 1C.

Protocolo

O protocolo do estudo foi analisado e aprovado pelo Comitê de Ética do Hospital Geral do Comando Teatral do Norte (Número de Aprovação: Ética Y (2026) 75). Embora os dados clínicos tenham sido obtidos de pacientes tratados entre janeiro de 2024 e dezembro de 2025, o presente estudo foi conduzido como uma análise retrospectiva dos registros clínicos existentes. A aprovação ética obtida em 2026 abrangeu a extração retrospectiva de dados, desidentificação, análise e publicação desses dados clínicos previamente coletados. Nenhuma intervenção prospectiva ou inclusão de pacientes foi realizada antes da aprovação ética. A exigência de consentimento informado por escrito foi dispensada devido ao desenho do estudo observacional retrospectivo. Todos os procedimentos foram realizados de acordo com a Declaração de Helsinque, e todos os dados clínicos foram desidentificados antes da análise. A presente análise foi conduzida como parte de um projeto de pesquisa clínica neurointervencionista retrospectiva aprovado. Os materiais e equipamentos necessários para os procedimentos descritos abaixo estão resumidos na Tabela de Materiais.

Enrolamento de pacientes e determinação de CIE

Pacientes potencialmente elegíveis foram identificados mediante consulta ao sistema de prontuários eletrônicos para pacientes tratados no Departamento de Neurocirurgia do Hospital Geral do Comando Teatral do Norte entre janeiro de 2024 e dezembro de 2025. A busca inicial foi limitada por data de admissão, departamento, diagnóstico de doença cerebrovascular e registros de procedimentos neurointervencionais. O fluxo detalhado de triagem de pacientes e alocação da coorte é ilustrado na Figura 2. Os pacientes eram elegíveis para inclusão se atendessem a todos os seguintes critérios: (1) idade entre 30 e 80 anos; (2) diagnóstico de doença cerebrovascular que exigisse avaliação ou tratamento neurointervencional; (3) disponibilidade de prontuários clínicos completos e resultados de exames laboratoriais; e (4) realização de exame de tomografia computadorizada de crânio no pós-operatório dentro de 3 dias após a cirurgia.

Os pacientes foram excluídos se apresentassem dados clínicos ou de imagem incompletos, não realizassem intervenção endovascular, tivessem déficits neurológicos pré-operatórios graves (escore da Escala de Rankin Modificada ≥4), demonstrassem infarto cerebral agudo na imagem ponderada por difusão pré-operatória, apresentassem doença renal crônica estágio G4 ou superior de acordo com os critérios da Doença Renal: Melhorando os Resultados Globais (KDIGO), ou tivessem doença cardiovascular grave. Os critérios de inclusão e exclusão foram aplicados sequencialmente. Após a busca eletrônica inicial, cada registro candidato foi revisado manualmente para confirmar a elegibilidade e documentar o motivo da exclusão, quando aplicável. Após a triagem, os pacientes elegíveis foram aleatorizados para os grupos de treinamento e teste em uma proporção de 8:2, incluindo um grupo de treinamento (n = 128) e um grupo de teste (n = 33). A amostragem aleatória estratificada foi utilizada para manter uma distribuição consistente de casos com IEC e sem IEC entre os dois grupos.

O diagnóstico de EIC foi baseado principalmente na associação temporal entre o início dos sintomas e os procedimentos de intervenção cerebrovascular, combinada com avaliação de imagem de exclusão. Dois especialistas independentes em intervenção cerebrovascular revisaram os registros clínicos pós-operatórios, o momento do início dos sintomas, as manifestações neurológicas e os achados de imagem pós-operatória em todos os casos suspeitos. As discordâncias foram resolvidas mediante discussão até que se alcançasse consenso. Considerou-se que os pacientes eram compatíveis com EIC quando ocorriam cegueira cortical recém-desenvolvida, alteração da consciência (incluindo sonolência, delirium ou coma), convulsão ou déficits neurológicos focais, como hemiparesia ou afasia, nas 24 horas seguintes à conclusão do procedimento neurointervencional.

Após o início dos sintomas, causas alternativas capazes de produzir manifestações neurológicas semelhantes foram excluídas mediante revisão das imagens de TC ou RM pós-operatórias juntamente com a evolução clínica. A tomografia computadorizada de crânio pós-operatória foi realizada utilizando o protocolo institucional padrão de TC craniana sem contraste. Os parâmetros essenciais de aquisição incluíram tensão do tubo de 80 kVp, corrente do tubo de 260 mA, espessura de corte de 0,5 mm e reconstrução axial padrão. As imagens foram analisadas em janelas cerebrais e ósseas por clínicos experientes. Durante o diagnóstico diferencial, foram consideradas hemorragia intracraniana aguda, hemorragia subaracnóidea, hemorragia intracerebral, infarto cerebral de grande área recém-desenvolvido, alterações relacionadas a convulsões, infecção e distúrbios metabólicos. Os exames de TC pós-sintomas geralmente demonstraram edema cerebral focal ou difuso e sombras de alta densidade envolvendo a córtex, regiões subcorticais ou espaço subaracnóideo, simulando lesões hemorrágicas. Os achados de RM geralmente demonstram inchaço cortical, particularmente envolvendo a córtex temporoparietal occipital. Em alguns pacientes, no entanto, os exames de TC ou RM não mostraram anormalidades evidentes, apesar de manifestações clínicas compatíveis.

Aquisição de variáveis perioperatórias e construção de CGR

Dados demográficos gerais, incluindo idade, sexo e peso corporal, foram extraídos de campos estruturados no sistema de prontuário eletrônico. Variáveis do histórico clínico, incluindo histórico de tabagismo, consumo de álcool, hipertensão, diabetes mellitus e doença arterial coronariana, foram extraídas das anotações de admissão, registros de histórico médico prévio e diagnósticos de alta, e foram verificadas quanto à consistência. Os dados laboratoriais foram extraídos do sistema de informações laboratoriais. Para cada paciente, foi utilizada a primeira amostra de sangue venoso coletada após a admissão e antes do procedimento neurointervencionista. As variáveis laboratoriais extraídas incluíram creatinina sérica, taxa de filtração glomerular estimada (TFGE), colesterol total e níveis de triglicerídeos. A TFGE foi calculada utilizando a equação baseada na creatinina da colaboração Epidemiológica de Doença Renal Crônica (CKD-EPI) e foi obtida do sistema de informações laboratoriais do hospital.

Como a complexidade do procedimento, a exposição ao agente de contraste e a localização da lesão podem influenciar a disruptura da barreira hematoencefálica e a retenção do agente de contraste durante procedimentos neurointervencionais, variáveis perioperatórias também foram incorporadas ao modelo preditivo. As variáveis relacionadas ao procedimento incluíram localização da lesão, tipo de procedimento, duração do procedimento, tipo de agente de contraste e volume total de contraste. A localização da lesão e o tipo de procedimento foram determinados a partir dos relatórios cirúrgicos e registros angiográficos. A duração do procedimento foi definida como o tempo entre a punção arterial e a conclusão do procedimento neurointervencional. O volume total de contraste foi definido como o volume cumulativo do agente de contraste iodado administrado desde o início até o fim do procedimento. Os agentes de contraste utilizados neste estudo foram meios de contraste iodados não iônicos, incluindo iodixanol (320 mg de iodo/mL), administrados de acordo com a prática clínica institucional. Todos os procedimentos neurointervencionais incluídos neste estudo foram realizados com orientação de angiografia por subtração digital por uma equipe neurointervencional experiente no centro do estudo. Todos os procedimentos foram realizados pela abordagem arterial transfemoral. Durante a intervenção, os pacientes receberam anticoagulação intraoperatória com heparina, e o tempo de coagulação ativado foi mantido dentro da faixa-alvo de 250–300 s. Os sinais vitais foram monitorados continuamente durante todo o procedimento.

Intervenções terapêuticas, incluindo embolização de aneurisma, angioplastia e colocação de stent, foram realizadas conforme as características da lesão e o julgamento do operador. Microcateteres, coils, stents ou balões apropriados foram selecionados de acordo com os requisitos do procedimento. Durante a imagem angiográfica e a intervenção, agentes de contraste foram administrados por meio de injeção com alta pressão ou infusão manual com taxa constante. O tipo de agente de contraste e o volume total de contraste foram extraídos dos registros do procedimento e verificados com os registros de anestesia ou enfermagem, quando disponíveis. Registros com informações inconsistentes ou incompletas sobre o volume de contraste foram revisados manualmente antes da inclusão no conjunto final de dados analíticos.

Todas as variáveis relacionadas ao procedimento, incluindo duração do procedimento, tipo de intervenção terapêutica, uso de dispositivos e registros de administração de agente de contraste, foram revisadas e verificadas sistematicamente quanto à integridade e consistência antes da análise. Para avaliar quantitativamente o desequilíbrio entre a carga de agente de contraste e a capacidade de depuração renal, a RCG foi estabelecida como uma variável preditiva fundamental e calculada de acordo com a seguinte equação:

(1)

O volume total de contraste foi registrado em mL, e o TFGe foi registrado em mL/min/1,73 m². O valor de TFGe utilizado para o cálculo da RCG foi o valor pré-operatório obtido a partir da primeira amostra de sangue venoso coletada após a admissão e antes do procedimento neurointervencionista. Para cada paciente, a RCG foi calculada após verificação do volume total de contraste e do TFGe. O numerador foi o volume total de contraste em mL, e o denominador foi o TFGe em mL/min/1,73 m². A mesma regra de cálculo foi aplicada a todos os pacientes antes do desenvolvimento do modelo.

Seleção de características e fluxo de trabalho de ML

Para garantir a robustez analítica, todas as variáveis clínicas e laboratoriais passaram por procedimentos sistemáticos de controle de qualidade antes da análise. A proporção de dados ausentes foi calculada para cada variável candidata antes do desenvolvimento do modelo. No conjunto de dados analítico final, não foram observados valores ausentes entre os preditores incluídos ou os rótulos do desfecho; portanto, nenhuma variável foi excluída devido à ausência de dados, e a imputação múltipla não foi necessária. O resumo detalhado dos dados ausentes está fornecido na Supplementary Table 1.

Todas as variáveis preditoras candidatas foram inicialmente avaliadas por meio de análises univariadas para verificar suas associações com a ocorrência de EIC. Os métodos estatísticos foram selecionados de acordo com as características de distribuição dos dados. As variáveis com distribuição normal foram expressas como média ± desvio padrão e comparadas utilizando o teste t para amostras independentes. As variáveis com distribuição não normal foram expressas como mediana (intervalo interquartílico, IIQ) e analisadas utilizando o teste U de Mann-Whitney. As variáveis categóricas foram apresentadas como frequências e porcentagens e analisadas utilizando o teste qui-quadrado ou o teste exato de Fisher. A significância estatística foi definida como p < 0,05.

O conjunto completo de dados foi dividido aleatoriamente em coortes de treinamento e teste numa proporção de 8:2 antes do desenvolvimento do modelo. Para minimizar o sobreajuste e reduzir a multicolinearidade, foi aplicada a regressão por operador de contração e seleção absoluta mínima (LASSO) combinada com validação cruzada de 10 dobras para seleção de características. A seleção de características, ajuste de hiperparâmetros e desenvolvimento do modelo foram realizados apenas com a coorte de treinamento para evitar vazamento de dados. A coorte de teste interna não foi utilizada durante a imputação, estimativa de parâmetros, seleção de características, ajuste de hiperparâmetros ou treinamento do modelo, sendo empregada apenas uma vez para a avaliação final do desempenho. A otimização dos hiperparâmetros foi realizada utilizando uma estratégia de busca em grade com validação cruzada de 10 dobras dentro da coorte de treinamento. Especificamente, a coorte de treinamento foi dividida aleatoriamente em 10 subconjuntos mutuamente exclusivos. Em cada iteração, nove subconjuntos foram utilizados para o treinamento do modelo e o subconjunto restante foi usado para validação. Esse processo foi repetido 10 vezes para garantir que cada subconjunto atuasse como coorte de validação exatamente uma vez.

Todas as análises computacionais foram realizadas em um ambiente Python. O desenvolvimento e a avaliação do modelo de aprendizado de máquina (ML) foram realizados utilizando o scikit-learn. Os scripts de análise utilizados para pré-processamento dos dados, seleção de características, treinamento do modelo, avaliação de desempenho e DCA foram fornecidos como arquivos de código suplementares. Para a implementação do modelo, as características selecionadas pela regressão LASSO foram utilizadas como variáveis de entrada para todos os classificadores candidatos. As variáveis contínuas foram padronizadas utilizando a normalização por escore z na coorte de treinamento, e os mesmos parâmetros de escala foram aplicados à coorte de teste interna. As variáveis categóricas foram codificadas de acordo com o esquema de codificação predefinido, e as definições das variáveis e o esquema de codificação são fornecidos na Tabela Suplementar 2. Cinco classificadores foram implementados: Naive Bayes Gaussiano, SVM, KNN, LightGBM e MLP. Para o SVM, o tipo de kernel, o parâmetro de regularização C e o coeficiente do kernel gamma foram ajustados. Para o KNN, o número de vizinhos e a estratégia de ponderação por distância foram ajustados. Para o LightGBM, o número de estimadores, a taxa de aprendizado, a profundidade máxima da árvore e o número de folhas foram ajustados. Para o MLP, a estrutura da camada oculta, a função de ativação, o parâmetro de regularização e a taxa de aprendizado foram ajustados. O Naive Bayes Gaussiano foi implementado utilizando o valor especificado de suavização da variância. A combinação ótima de hiperparâmetros para cada modelo foi selecionada com base no desempenho da validação cruzada dentro da coorte de treinamento. As combinações finais de hiperparâmetros otimizados selecionadas para cada modelo são resumidas na Tabela Suplementar 3. Após a seleção dos hiperparâmetros, cada modelo final foi reajustado com toda a coorte de treinamento e avaliado uma única vez na coorte de teste interna.

Comparações do desempenho do modelo

Com base nos preditores selecionados, cinco modelos de ML foram desenvolvidos e comparados. O desempenho dos modelos foi avaliado tanto na coorte de treinamento quanto na de teste utilizando a área sob a curva característica de operação do receptor (AUC), intervalo de confiança de 95% (95% CI), sensibilidade, especificidade e acurácia. Curvas características de operação do receptor foram geradas para comparar o desempenho discriminativo dos diferentes modelos. O limiar ótimo de classificação para cada modelo foi determinado exclusivamente dentro da coorte de treinamento utilizando o índice de Youden. O limiar derivado foi então fixado e aplicado inalterado à coorte de teste interna para o cálculo das métricas de desempenho dependentes de limiar.

Análise da curva de decisão

A DCA foi realizada calculando o benefício líquido de cada modelo ao longo de uma faixa de probabilidades limiares e comparando a estratégia baseada em modelo com duas estratégias padrão: tratar todos os pacientes e não tratar nenhum paciente. A DCA foi escolhida porque permite a avaliação simultânea do desempenho de discriminação e da aplicabilidade clínica potencial em contextos de tomada de decisão perioperatória. Para facilitar a reprodutibilidade, o fluxo de trabalho completo foi realizado na seguinte sequência: identificação dos pacientes a partir do sistema de prontuário eletrônico, aplicação dos critérios de inclusão e exclusão, adjudicação de CIE por dois especialistas independentes, extração e verificação cruzada das variáveis demográficas, de histórico clínico, laboratoriais e relacionadas aos procedimentos, cálculo do CGR, avaliação de dados ausentes e divisão entre coortes de treinamento e teste, seleção de características baseada em LASSO dentro da coorte de treinamento, ajuste de hiperparâmetros por validação cruzada de 10 dobras, refitagem final do modelo na coorte completa de treinamento, avaliação na coorte de teste interna, avaliação de desempenho baseada na curva ROC, determinação do limiar pelo índice de Youden e DCA.

Resultados

Enrolamento do paciente e determinação da CIE

Um total de 161 pacientes submetidos a procedimentos neurointervencionais foram incluídos neste estudo, dos quais 12 (7,5%) desenvolveram EIC, enquanto 149 (92,5%) não desenvolveram. O processo detalhado de triagem e agrupamento dos pacientes é mostrado na Figura 2. O diagnóstico de EIC foi estabelecido com base na associação temporal entre o início dos sintomas e os procedimentos neurointervencionais, combinada com achados de imagem excluídos. Achados representativos de neuroimagem de EIC são apresentados nas Figuras 3A–D.

As características demográficas, clínicas, laboratoriais e procedimentais basais dos dois grupos são resumidas na Tabela 1. Não foram observadas diferenças significativas entre os grupos CIE e não-CIE em relação à idade, distribuição por sexo ou peso corporal (todos p > 0,05). Da mesma forma, a prevalência de comorbidades comuns, incluindo hipertensão, diabetes mellitus e doença cardíaca coronariana, não diferiu significativamente entre os dois grupos (todos p > 0,05). Fatores relacionados ao estilo de vida, como consumo de álcool e status de tabagismo, também foram comparáveis.

Em contraste, várias variáveis relacionadas ao laboratório e ao procedimento mostraram diferenças significativas entre os dois grupos. Os pacientes do grupo CIE apresentaram níveis séricos significativamente mais elevados de creatinina em comparação com os do grupo sem CIE (mediana: 85,2 versus 65,3 µmol/L, p = 0,004), enquanto seu eGFR foi significativamente menor (mediana: 81 versus 102,7 mL/min/1,73 m², p < 0,001). Em relação às características do procedimento, os procedimentos de embolização foram significativamente mais frequentes no grupo CIE do que no grupo sem CIE (41,7% versus 2,0%, p < 0,001). Além disso, lesões na circulação posterior foram significativamente mais comuns entre os pacientes que desenvolveram CIE (58,3% versus 6,0%, p < 0,001). Nenhuma diferença significativa foi observada quanto ao tipo de meio de contraste utilizado entre os dois grupos (p = 0,982). Além disso, os pacientes do grupo CIE receberam um volume significativamente maior de agente de contraste durante o procedimento (mediana: 200,0 versus 165,0 mL, p = 0,005) e tiveram durações de procedimento mais longas (mediana: 78,5 versus 50,0 min, p = 0,008). Notavelmente, o CGR, um índice composto proposto neste estudo, foi significativamente maior no grupo CIE em comparação com o grupo sem CIE (mediana: 2,35 versus 1,63, p < 0,001), indicando uma forte associação entre o CGR e a ocorrência de CIE.

Aquisição de variáveis perioperatórias e construção da RCG

As variáveis demográficas, laboratoriais e procedimentais perioperatórias foram sistematicamente coletadas e analisadas conforme descrito no protocolo. Dentre essas variáveis, a RC, definida como a razão entre o volume total de contraste e a TFG, foi construída como um indicador composto que reflete o equilíbrio entre a exposição ao agente de contraste e a capacidade de depuração renal. A RC esteve associada à ocorrência de LEC nesta coorte e foi incluída como preditora candidata nas análises de seleção de características e desenvolvimento de modelos. Para comparar a RC com seus componentes individuais, realizamos uma análise ROC comparativa utilizando a RC, o volume total de contraste e a TFG. A RC apresentou a maior capacidade discriminatória para LEC, com uma AUC de 0,959 (IC 95%: 0,924–0,985), em comparação com o volume total de contraste (AUC = 0,745, IC 95%: 0,559–0,886) e a TFG analisada na direção de risco inverso (AUC = 0,865, IC 95%: 0,764–0,951). A diferença de AUC entre a RC e o volume total de contraste foi de 0,214, e a diferença de AUC entre a RC e a TFG foi de 0,093. Os resultados detalhados estão apresentados na Supplementary Table 4.

Seleção de características e fluxo de trabalho de ML

Para identificar os preditores mais relevantes minimizando a multicolinearidade, foi aplicada regressão LASSO com validação cruzada de 10 dobras às variáveis candidatas. O perfil dos coeficientes e as curvas de validação cruzada do modelo LASSO são apresentados em Figura 4A e Figura 4B, respectivamente. A classificação dos coeficientes LASSO do modelo final é apresentada na Figura 5. No valor ótimo de λ, um subconjunto de variáveis foi mantido, incluindo CGR, tipo de procedimento, localização da lesão, níveis de triglicerídeos, creatinina sérica, TFG e vários covariáveis clínicos. A classificação quantitativa dos preditores mantidos com base nos coeficientes LASSO é fornecida em Tabela Suplementar 5.

Comparações do desempenho do modelo

Cinco abordagens de ML — Naive Bayes, SVM, KNN, LightGBM e MLP — foram desenvolvidas para prever o risco de CIE. O desempenho nos conjuntos de treinamento e teste é resumido na Tabela 2, a comparação de precisão dos cinco modelos é mostrada na Figura 6, e as matrizes de confusão correspondentes são fornecidas nas Figura Suplementar 1, Figura Suplementar 2, Figura Suplementar 3, Figura Suplementar 4 e Figura Suplementar 5. Como o conjunto de dados era marcadamente desequilibrado, com 12 casos de CIE e 149 casos sem CIE, a precisão e as métricas baseadas em limiar devem ser interpretadas com cautela e em conjunto com sensibilidade, especificidade, AUC e intervalos de confiança. No conjunto de treinamento, todos os modelos exibiram boa capacidade discriminatória, com valores de AUC variando de 0,961 a 0,999. No conjunto de teste interno, o modelo Naive Bayes apresentou o valor numérico mais alto (AUC = 0,952, IC 95%: 0,843–1,000), seguido pelo LightGBM (AUC = 0,944, IC 95%: 0,822–1,000) e pelo SVM (AUC = 0,935, IC 95%: 0,796–1,000).

No limiar de classificação ótimo determinado pelo índice de Youden, o modelo Naive Bayes apresentou sensibilidade de 100% e especificidade de 90,3%. Como comparações estatísticas formais pareadas entre as AUCs dos modelos não foram realizadas, as diferenças observadas entre os modelos devem ser interpretadas como descritivas e exploratórias. Além disso, como o conjunto de dados era acentuadamente desequilibrado e a coorte de teste interna era pequena, com apenas um número muito limitado de eventos de CIE, métricas baseadas em limiar, como sensibilidade e especificidade, podem ser instáveis e devem ser interpretadas com cautela. As curvas da característica de operação do receptor (ROC) do modelo Naive Bayes nos conjuntos de treinamento e teste são apresentadas na Figura 7.

Embora o modelo MLP tenha apresentado bom desempenho no conjunto de treinamento (AUC = 0,961), seu desempenho diminuiu substancialmente no conjunto de teste (AUC = 0,742), sugerindo possível sobreajuste. De forma semelhante, o modelo KNN demonstrou capacidade discriminatória limitada no conjunto de teste (AUC = 0,718), com um intervalo de confiança amplo, indicando instabilidade. A estratégia baseada no índice de Youden foi utilizada para determinar o limiar ótimo de classificação para métricas dependentes de limiar, incluindo sensibilidade, especificidade e acurácia. Os próprios valores de ROC-AUC são independentes de limiar. Portanto, as métricas de desempenho dependentes de limiar relatadas refletem o comportamento do modelo no ponto operacional ótimo. Os limiares ótimos de Youden e as métricas correspondentes baseadas em limiar estão apresentados na Tabela Suplementar 6. De modo geral, o modelo Naive Bayes mostrou desempenho descritivo relativamente estável entre os conjuntos de treinamento e de teste interno, com declínio numérico mínimo na AUC.

Análise da curva de decisão

A ADC foi realizada para avaliar a utilidade clínica dos modelos em uma variedade de probabilidades de limiar. As curvas de ADC são apresentadas na Figura 8. Todos os modelos demonstraram benefício líquido positivo em faixas específicas de probabilidades de limiar, comparados às estratégias de tratar-todos e não-tratar-ninguém. Dentre os modelos avaliados, SVM apresentou a faixa mais ampla de benefício líquido positivo, enquanto os demais modelos também mostraram potencial utilidade clínica dentro de faixas de limiar específicas.

DISPONIBILIDADE DE DADOS:

Os dados brutos desidentificados utilizados para apoiar as principais análises foram enviados ao GitHub e estão disponíveis em: https://doi.org/10.5281/zenodo.20043331. Todos os identificadores diretos dos pacientes foram removidos antes do compartilhamento dos dados. Como este foi um estudo clínico retrospectivo baseado em prontuários hospitalares, o acesso a quaisquer informações adicionais em nível de paciente permanece restrito por exigências institucionais de ética e privacidade. Dados adicionais desidentificados podem ser disponibilizados pelo autor correspondente mediante solicitação razoável e com aprovação do comitê de ética institucional. Os scripts de análise estatística, o código de treinamento do modelo de aprendizado de máquina (ML) e o código de geração de figuras foram fornecidos como arquivos suplementares para apoiar a reprodutibilidade.

Figura 1: Fluxo de trabalho da modelagem de risco de EIC com base em dados perioperatórios. (A) Mecanismos da EIC e derivação da razão entre volume de contraste e TFG estimado (RTC). (B) Integração de dados e seleção de características baseada em LASSO. (C) Desenvolvimento e comparação de modelos de ML, com Naive Bayes apresentando a maior AUC numérica no conjunto de teste interno (AUC ≈ 0,95). Abreviaturas: EIC = encefalopatia induzida por contraste; RTC = razão entre volume de contraste e TFG estimado; TFG = taxa de filtração glomerular estimada; AUC = área sob a curva. A figura foi elaborada a partir dos dados clínicos dos autores, e a ilustração esquemática foi originalmente criada pelos autores utilizando ícones modificados do Microsoft PowerPoint. Clique aqui para visualizar uma versão maior desta figura.

Figura 2: Seleção dos pacientes e alocação da coorte. Fluxograma ilustrando a triagem dos pacientes, avaliação de elegibilidade, critérios de exclusão e atribuição da coorte. Um total de 225 pacientes foram inicialmente avaliados. Após a aplicação dos critérios de inclusão, incluindo idade entre 30 e 80 anos, disponibilidade de dados clínicos completos e tomografia computadorizada de crânio pós-operatória dentro de 3 dias, 190 pacientes foram considerados elegíveis. Os pacientes foram excluídos com base em infarto cerebral agudo, doença renal crônica estágio ≥ G4 (eGFR < 30 mL/min/1.73 m²), doença cardiovascular grave, ausência de tratamento endovascular, déficit neurológico grave (escore da Escala de Rankin Modificada ≥ 4) ou dados incompletos. Finalmente, 161 pacientes foram incluídos e divididos aleatoriamente entre a coorte de treinamento (n = 128) e a coorte de teste interna (n = 33) em uma proporção de 8:2. Abreviaturas: CT = tomografia computadorizada; eGFR = taxa de filtração glomerular estimada; CKD = doença renal crônica; mRS = Escala de Rankin Modificada. Clique aqui para visualizar uma versão maior desta figura.

Figura 3: Imagens seriadas de tomografia sem contraste em um paciente com EIC. (A) Tomografia basal antes do procedimento. (B) Tomografia no início dos sintomas mostrando hiperdensidade cortical no lobo parietal direito (seta). (C) Tomografia no primeiro dia pós-operatório mostrando resolução parcial. (D) Tomografia no segundo dia pós-operatório mostrando maior resolução. Clique aqui para visualizar uma versão maior desta figura.

Figura 4: Seleção de características baseada em LASSO. (A) Curva de validação cruzada com dez dobras utilizada para determinar o valor ótimo de λ com base no MSE mínimo. (B) Perfis dos coeficientes das variáveis candidatas plotados em função de log(λ), mostrando as alterações nos coeficientes das variáveis com o aumento da intensidade da regularização. Abreviações: LASSO = operador de redução e seleção por mínima absoluta; λ = parâmetro de regularização; MSE = erro quadrático médio. Clique aqui para visualizar uma versão maior desta figura.

Figura 5: Coeficientes das variáveis selecionadas. Gráfico de barras mostrando os coeficientes das variáveis mantidas após a seleção por LASSO. Coeficientes positivos indicam associação positiva; coeficientes negativos indicam associação inversa. Clique aqui para visualizar uma versão maior desta figura.

Figura 6: Precisão no treinamento e no teste dos cinco modelos de ML. Precisão de cinco modelos de ML (Naive Bayes, SVM, KNN, LightGBM, MLP) nos conjuntos de treinamento e teste. Abreviações: SVM = máquina de vetores de suporte; KNN = k-vizinhos mais próximos; LightGBM = máquina de reforço gradiente leve; MLP = perceptron multicamadas. Clique aqui para visualizar uma versão maior desta figura.

Figura 7: Curvas ROC do modelo Naive Bayes. Curvas da característica operacional do receptor para as coortes de treinamento e teste interno, com os respectivos valores da área sob a curva. Abreviações: ROC = característica operacional do receptor; AUC = área sob a curva. Clique aqui para visualizar uma versão maior desta figura.

Figura 8: Análise de curva de decisão. DCA mostrando o benefício líquido de diferentes modelos ao longo de probabilidades de limiar, comparado às estratégias de tratar-todos e não-tratar-ninguém. Regiões sombreadas indicam faixas de probabilidade de limiar nas quais o modelo obteve benefício líquido positivo em comparação com as estratégias de tratar-todos e não-tratar-ninguém. Abreviações: DCA = análise de curva de decisão. Clique aqui para visualizar uma versão maior desta figura.

Figura Suplementar 1: Matriz de confusão do modelo Naive Bayes na coorte de teste interna. A matriz exibe os números de amostras correta e incorretamente classificadas no limiar de classificação selecionado.Clique aqui para baixar este arquivo.

Figura Suplementar 2: Matriz de confusão do modelo SVM na coorte de teste interna. A matriz exibe os números de amostras corretamente e incorretamente classificadas no limiar de classificação selecionado.Clique aqui para baixar este arquivo.

Figura Suplementar 3: Matriz de confusão do modelo KNN na coorte de teste interna. A matriz exibe os números de amostras corretamente e incorretamente classificadas no limiar de classificação selecionado.Clique aqui para baixar este arquivo.

Figura Suplementar 4: Matriz de confusão do modelo LightGBM na coorte de teste interna. A matriz exibe os números de amostras classificadas correta e incorretamente no limiar de classificação selecionado.Clique aqui para baixar este arquivo.

Figura Suplementar 5: Matriz de confusão do modelo MLP na coorte de teste interna. A matriz exibe os números de amostras classificadas correta e incorretamente no limiar de classificação selecionado.Clique aqui para baixar este arquivo.

Característica	CIE (n = 12)	Não-CIE (n = 149)	valor p
Dados demográficos
Idade (anos), mediana (IQR)	67 (62,5–69,0)	63 (55,0–70,0)	0,194
Masculino, n (%)	9 (75,0)	105 (70,5)	1,000
Peso (kg), mediana (IQR)	65 (55,0–70,0)	70 (60,0–77,5)	0,160
Comorbidades, n (%)
Hipertensão	7 (58,3)	102 (68,5)	0,526
Diabetes	4 (33,0)	57 (38,3)	1,000
Doença arterial coronariana	2 (16,7)	23 (15,4)	1,000
Hábitos, n (%)
Uso de álcool	7 (58,3)	78 (52,3)	0,770
Tabagismo	7 (58,3)	59 (39,6)	0,233
Valores laboratoriais, mediana (IQR)
Creatinina sérica (μmol/L)	85,2 (65,0–89,0)	65,3 (54,9–75,7)	0,004
TFG estimado (mL/min/1,73m²)	81,0 (60,6–90,3)	102,7 (89,0–116,3)	<0,001
Colesterol total (mmol/L)	3,3 (3,0–4,4)	3,4 (2,9–4,1)	0,775
Triglicerídeos (mmol/L)	1,8 (1,2–2,1)	1,2 (0,8–1,6)	0,017
Características do procedimento
Tipo de procedimento, n (%)			<0,001
- Angioplastia com stent	7 (58,3)	146 (98,0)
- Embolização	5 (41,7)	3 (2,0)
Localização da lesão, n (%)			<0,001
- Circulação posterior	7 (58,3)	9 (6,0)
- Circulação anterior	5 (41,7)	140 (94,0)
Tipo de meio de contraste, n (%)			0,982
- 2ª geração	6 (50,0)	75 (50,3)
- 3ª geração	6 (50,0)	74 (49,7)
Volume total de contraste (mL), mediana (IQR)	200 (188,0–200,0)	165 (155,0–180,0)	0,005
Duração do procedimento (min), mediana (IQR)	78,5 (52,5–124,5)	50 (47,0–57,0)	0,008
Índice novo
CGR, mediana (IQR)	2,35 (2,17–2,70)	1,63 (1,40–1,85)	<0,001

Tabela 1: Características clínicas basais dos pacientes. As características demográficas, clínicas, laboratoriais e relacionadas aos procedimentos dos pacientes foram comparadas entre os grupos com EIC e sem EIC. As variáveis contínuas são apresentadas como média ± desvio padrão ou mediana (intervalo interquartil), e as variáveis categóricas são apresentadas como número e porcentagem. As comparações estatísticas entre os grupos foram realizadas utilizando testes paramétricos ou não paramétricos apropriados. Abreviações: EIC = encefalopatia induzida por contraste; eGFR = taxa de filtração glomerular estimada; CGR = razão entre volume de contraste e eGFR; IQR = intervalo interquartil; SD = desvio padrão.

Nome do modelo	Exatidão	AUC	IC 95%	Sensibilidade	Especificidade	Conjunto de dados
Naive Bayes	0,875	0,961	0,924–0,998	1,0	0,864	treinamento
Naive Bayes	0,909	0,952	0,843–1,000	1,0	0,903	teste
SVM	0,992	0,999	0,997–1,000	1,0	0,992	treinamento
SVM	0,879	0,935	0,796–1,000	1,0	0,871	teste
KNN	0,891	0,969	0,941–0,997	1,0	0,881	treinamento
KNN	0,939	0,718	0,194–1,000	0,5	0,968	teste
LightGBM	0,969	0,988	0,973–1,000	1,0	0,966	treinamento
LightGBM	0,848	0,944	0,822–1,000	1,0	0,839	teste
MLP	0,914	0,961	0,908–1,000	0,9	0,915	treinamento
MLP	0,970	0,742	0,228–1,000	0,5	1,000	teste

Tabela 2: Comparação do desempenho dos modelos. O desempenho preditivo de diferentes modelos de ML foi avaliado utilizando acurácia, área sob a curva (AUC), intervalo de confiança de 95% (IC), sensibilidade e especificidade nos conjuntos de dados de treinamento e de teste interno. Abreviações: IC = intervalo de confiança.

Tabela Suplementar 1: Resumo da avaliação de dados ausentes antes do desenvolvimento do modelo. Resumo dos valores ausentes para todas as variáveis preditoras candidatas antes do desenvolvimento do modelo. Não foram observados valores ausentes entre as variáveis incluídas; portanto, nenhuma imputação foi realizada.Clique aqui para baixar este arquivo.

Tabela Suplementar 2: Dicionário de variáveis do conjunto de dados analítico. Definições, métodos de codificação, categorias de variáveis e descrições das variáveis clínicas, laboratoriais e relacionadas a procedimentos incluídas na análise de ML.Clique aqui para baixar este arquivo.

Tabela Suplementar 3: Espaço de busca de hiperparâmetros e parâmetros selecionados para modelos de ML. Resumem-se os intervalos candidatos de hiperparâmetros e os parâmetros otimizados obtidos durante o ajuste do modelo para cada algoritmo de ML.Clique aqui para baixar este arquivo.

Tabela Suplementar 4: Análise comparativa ROC da CGR e de seus componentes individuais. Foi realizada uma análise de característica operacional do receptor para comparar o desempenho preditivo da CGR e de seus componentes individuais na previsão de CIE.Clique aqui para baixar este arquivo.

Tabela Suplementar 5: Classificação das características quantitativas com base nos coeficientes LASSO. As variáveis selecionadas foram classificadas de acordo com seus valores de coeficiente após a regressão LASSO, mostrando a contribuição relativa e a direção da associação de cada variável no modelo preditivo.Clique aqui para baixar este arquivo.

Tabela Suplementar 6: Limites de Youden determinados na coorte de treinamento e respectivas métricas de desempenho de classificação. O limite ideal para cada modelo foi determinado exclusivamente na coorte de treinamento utilizando o índice de Youden e posteriormente fixado e aplicado à coorte de teste interna. A acurácia, sensibilidade e especificidade na coorte de teste interna foram calculadas utilizando esses limites fixos.Clique aqui para baixar este arquivo.

Discussão

A EIC é uma complicação rara, mas potencialmente grave, após procedimentos neurointervencionais, caracterizada por disfunção neurológica aguda que ocorre logo após a exposição a agentes de contraste. Embora a condição seja tipicamente reversível, em alguns casos pode levar a déficits neurológicos persistentes ou mesmo a desfechos ameaçadores à vida, destacando a importância da identificação precoce de riscos^17,18,19,20. No entanto, os mecanismos fisiopatológicos subjacentes à EIC são complexos e multifatoriais, envolvendo interações entre fatores específicos do paciente, propriedades do agente de contraste e características do procedimento^{9,10,21,22,23,24}. Essa complexidade torna extremamente desafiadora a obtenção de uma avaliação precisa do risco perioperatório com base apenas em variáveis clínicas isoladas ou julgamento empírico.

Neste estudo, cinco modelos de ML foram construídos e avaliados para prever o risco de EIC em pacientes submetidos a intervenção cerebrovascular. Após a comparação descritiva do desempenho, o modelo Naive Bayes foi identificado como o modelo com o desempenho descritivo mais equilibrado neste estudo. Em termos de capacidade de discriminação do modelo, o modelo Naive Bayes apresentou o maior valor numérico de AUC na coorte de teste interna (AUC = 0,952; IC 95%: 0,843–1,000), em comparação com o LightGBM (AUC = 0,944; IC 95%: 0,822–1,000), SVM (SVM; AUC = 0,935; IC 95%: 0,796–1,000), MLP (MLP; AUC = 0,742; IC 95%: 0,228–1,000) e algoritmo KNN (KNN; AUC = 0,718; IC 95%: 0,195–1,000). Como nenhuma comparação estatística formal por pares entre as AUCs dos modelos foi realizada, essas diferenças devem ser interpretadas como descritivas, e não como evidência definitiva de superioridade do modelo. É importante notar que o KNN e o MLP tiveram bom desempenho no conjunto de treinamento (AUC = 0,969 e 0,961, respectivamente), mas seu desempenho diminuiu substancialmente no conjunto de teste, sugerindo possível sobreajuste²⁵. Em contraste, o modelo Naive Bayes manteve valores descritivos de AUC semelhantes entre as coortes de treinamento e de teste interno (diferença de AUC = 0,009), sugerindo desempenho descritivo relativamente estável neste conjunto de dados. No entanto, essa aparente estabilidade deve ser interpretada com cautela, pois a coorte de teste interna incluiu apenas 33 pacientes e um número muito limitado de eventos de EIC.

Do ponto de vista prático, a estrutura probabilística relativamente simples do Naive Bayes pode ser adequada para conjuntos de dados clínicos com pequenas amostras, especialmente quando o número de eventos desfecho é limitado. Neste estudo, o modelo Naive Bayes apresentou desempenho descritivo relativamente equilibrado entre as coortes de treinamento e de teste interno. No entanto, como a coorte de teste interna era pequena e continha muito poucos eventos de EIC, essa aparente estabilidade deve ser interpretada com cautela e exige validação externa. O desempenho descritivo relativamente favorável do modelo Naive Bayes neste conjunto de dados pode estar relacionado à sua estrutura probabilística simples e à sua adequação a cenários com pequenas amostras sob a suposição de independência entre as variáveis^14,15. Em contraste, modelos mais complexos, como MLP e LightGBM, são mais propensos ao sobreajuste em condições com amostras limitadas, reduzindo assim sua capacidade de generalização. Esses achados também sugerem que, em áreas de pesquisa clínica de alto risco, como a neurointervenção, a seleção de modelos deve enfatizar mais a estabilidade, reprodutibilidade e viabilidade clínica, em vez de buscar cegamente a superioridade absoluta de algoritmos complexos ou de métricas individuais de desempenho. A análise DCA sugeriu que o modelo Naive Bayes pode proporcionar benefício líquido em probabilidades de limiar selecionadas, mas esse achado permanece exploratório e requer validação externa. Além disso, sua estrutura simples, computação eficiente e interpretabilidade podem apoiar sua avaliação futura como modelo exploratório de estratificação de risco perioperatório, embora seja necessária validação externa antes da implementação clínica. Do ponto de vista clínico, a incidência de EIC neste estudo foi de 7,5%, superior aos 2%–5% geralmente relatados em estudos anteriores⁷. Essa discrepância deve-se principalmente ao caráter altamente seletivo da população do estudo: a coorte concentrou-se em pacientes com doença cerebrovascular submetidos a procedimentos neurointervencionais complexos, como embolização de aneurisma. O contraste único entre os padrões de administração de agentes associados a esses procedimentos, como angiografia superseletiva e retenção local em alta dose — além da maior duração dos procedimentos — são todos fatores de risco reconhecidos para EIC^9,10,26. Além disso, o risco basal mais elevado dos pacientes aumenta ainda mais a taxa de incidência geral. Os achados do estudo destacam que lesões na circulação posterior e procedimentos de embolização são fortes preditores de EIC. Anatomicamente, a circulação posterior (sistema vertebrobasilar) irriga o tronco encefálico, o cerebelo e o lobo occipital. O lobo occipital apresenta extrema sensibilidade à toxicidade do agente de contraste, o que explica por que pacientes com EIC frequentemente apresentam cegueira cortical. Além disso, as características hemodinâmicas do sistema vertebrobasilar diferem das da circulação anterior, o que pode explicar parcialmente a associação observada entre lesões na circulação posterior e EIC nesta coorte.

Os procedimentos de embolização são tipicamente mais desafiadores do que a angioplastia simples, exigindo angiografias superseletivas frequentes para confirmar a posição das bobinas e a extensão da oclusão por trombo, resultando, assim, em uma exposição significativamente maior ao agente de contraste no leito vascular local por unidade de tempo em comparação com procedimentos rotineiros. Essa exposição intensa e localizada ao contraste pode ser um fator biologicamente plausível para a ruptura da BHE, embora esse mecanismo não tenha podido ser diretamente verificado no presente estudo retrospectivo. De acordo com a análise das características basais, os pacientes no grupo CIE apresentaram taxas significativamente mais altas de tratamento por embolização e uma proporção maior de lesões na circulação posterior em comparação com os do grupo sem CIE, sugerindo que a complexidade cirúrgica e a localização anatômica da lesão podem estar associadas à ocorrência de CIE. Além disso, a maior duração do procedimento e o maior uso total de agente de contraste no grupo CIE reforçam ainda mais o impacto cumulativo dos estressores relacionados à cirurgia no risco de desenvolvimento de CIE.

Para melhorar a interpretabilidade clínica do modelo, este estudo avaliou a RC como um índice composto exploratório. O risco de ocorrência de EIC depende não apenas da dose absoluta de agente de contraste que entra na vasculatura cerebral, mas também está estreitamente relacionado à taxa de eliminação do agente de contraste da circulação sistêmica. A RC integra o volume total de contraste e o TFGe em um único índice composto que reflete a carga de agente de contraste em relação à capacidade de depuração renal. Essa abordagem metodológica baseia-se no paradigma bem estabelecido baseado em razões, utilizado na predição de nefropatia induzida por contraste (NIC), como a razão entre o volume de agente de contraste e o TFGe²⁷, e alinha-se com estratégias atuais para a construção de biomarcadores abrangentes, como a razão neutrófilo-linfócito (NLR)²⁸ e o índice triglicerídeo-glicose (TyG)²⁹, todos com o objetivo de revelar os estados fisiopatológicos subjacentes das doenças. Os agentes de contraste iodados são excretados principalmente pelos rins em sua forma original. Quando a depuração renal está reduzida, a exposição sistêmica aos agentes de contraste iodados pode ser prolongada, o que poderia aumentar a exposição endotelial aos agentes de contraste. Durante procedimentos neurointervencionais, os agentes de contraste são frequentemente injetados diretamente na circulação cerebral pelas artérias carótida interna ou vertebral, em altas concentrações; o gradiente extremo de pressão osmótica local pode comprometer a integridade da BHE³⁰. Nesse momento, se a eliminação sistêmica estiver prejudicada, o agente de contraste acumulado na corrente sanguínea pode continuar mantendo um gradiente de concentração através da BHE, promovendo a difusão do agente de contraste para o espaço intersticial cerebral. Além disso, a RC pode fornecer uma maneira clinicamente intuitiva de integrar a carga de contraste e a depuração renal, mas seu valor preditivo incremental em relação ao volume de contraste ou ao TFGe isoladamente requer validação adicional. Portanto, a RC pode servir como um índice exploratório para a estratificação de risco de EIC no período perioperatório.

Este estudo constatou que o tipo de agente de contraste (baixa osmolaridade de segunda geração versus iso-osmolar de terceira geração) não teve valor preditivo independente significativo para EIC (p = 0,982). Esse achado não é totalmente consistente com alguns relatos anteriores. Uma possível explicação é que fatores além da osmolaridade, como toxicidade química ou viscosidade, possam contribuir para a neurotoxicidade do agente de contraste; no entanto, essa interpretação permanece especulativa e exige validação mecanicista adicional. Essa interpretação é apoiada por estudos clínicos e mecanicistas anteriores^31,32. Além disso, na prática clínica, os operadores podem selecionar preferencialmente agentes de contraste iso-osmolares de terceira geração para pacientes de alto risco, introduzindo um possível viés de confusão relacionado à indicação que poderia mascarar quaisquer diferenças subjacentes entre os diversos tipos de agentes de contraste.

Vários passos críticos do protocolo devem ser enfatizados para a aplicação bem-sucedida deste fluxo de trabalho. Primeiro, a adjudicação rigorosa dos desfechos é essencial, pois uma classificação imprecisa de EIC afetaria diretamente o treinamento e a avaliação do modelo. Casos suspeitos de EIC devem ser avaliados com base na relação temporal entre a exposição ao contraste e o início dos sintomas, nas manifestações neurológicas, nos achados de imagem pós-operatória e na exclusão de diagnósticos alternativos. Segundo, a extração e verificação precisas do volume total de contraste e do FGe são importantes porque essas duas variáveis determinam o cálculo da RCG. Terceiro, a RCG deve ser calculada usando a mesma regra para todos os pacientes, após a confirmação tanto do volume total de contraste quanto do FGe. Quarto, a seleção de características, a estimação de parâmetros de imputação, o ajuste de hiperparâmetros e o treinamento do modelo devem ser realizados apenas na coorte de treinamento, a fim de evitar vazamento de dados. Por fim, como a EIC é incomum e o número de eventos é limitado, o desempenho do modelo deve ser interpretado com cautela e validado externamente antes da implementação clínica³³.

Várias modificações do método e estratégias de solução de problemas também devem ser consideradas ao aplicar este fluxo de trabalho em outros contextos. Se a proporção de dados ausentes for alta, os pesquisadores devem primeiro determinar se a ausência é aleatória e devem evitar a imputação de variáveis com ausência excessiva. Se o número de eventos de EIC for muito pequeno, a complexidade do modelo deve ser reduzida, e modelos mais simples ou penalizados podem ser preferidos para reduzir o sobreajuste. Se o fluxo de trabalho for aplicado em outro centro, as definições de variáveis, regras de codificação, métodos de cálculo do TFGe, práticas de registro do volume de contraste e critérios de revisão de imagens devem ser harmonizados antes do treinamento do modelo. Se o desempenho do modelo diminuir durante a validação interna ou externa, causas potenciais, como desequilíbrio de classes, vazamento de dados, pré-processamento inconsistente, seleção instável de características e diferenças na mistura de casos de pacientes, devem ser examinadas. Para casos com diagnóstico de EIC incerto, recomenda-se a adjudicação por múltiplos clínicos experientes e a exclusão cuidadosa de diagnósticos alternativos antes do desenvolvimento do modelo.

Este estudo apresenta as seguintes limitações: Primeiro, este estudo adota um delineamento retrospectivo unicêntrico com um número limitado de eventos de EIC. Apenas 12 eventos de EIC ocorreram entre os 161 pacientes incluídos, e a coorte de teste interna incluiu apenas 33 pacientes, com um número muito reduzido de casos de EIC. Portanto, métricas de desempenho, como AUC, sensibilidade e especificidade, podem ser instáveis e altamente sensíveis à classificação de apenas um ou dois casos. No futuro, será necessário realizar validação externa por meio de estudos prospectivos multicêntricos com grande amostragem para confirmar ainda mais a confiabilidade do modelo. Segundo, o modelo desenvolvido neste estudo baseia-se principalmente em variáveis clínicas rotineiras coletadas antes e durante a cirurgia. No futuro, poderíamos integrar ainda mais parâmetros cinéticos do agente de contraste intraoperatórios, características de imagem no período pós-operatório precoce e biomarcadores séricos específicos para construir um sistema de predição de risco de EIC mais dinâmico e abrangente. Terceiro, a baixa incidência de EIC (7,5%) resultou em um acentuado desequilíbrio entre as classes, com apenas 12 casos de EIC e 149 casos sem EIC. Esse desequilíbrio pode reduzir a confiabilidade das métricas de desempenho do modelo. A acurácia pode superestimar o desempenho do modelo quando a classe sem EIC domina o conjunto de dados, enquanto sensibilidade, especificidade, valor preditivo positivo e valor preditivo negativo podem ser instáveis, pois são influenciados por um número muito pequeno de eventos de EIC. Portanto, o modelo proposto deve ser atualmente considerado um arcabouço exploratório de estratificação de risco, e não uma ferramenta definitiva de tomada de decisão clínica. Nenhum estudo adicional de validação cruzada repetida ou baseado em reamostragem foi realizado no presente estudo, devido ao número muito limitado de eventos de EIC, e tais análises ainda poderiam gerar estimativas instáveis diante do acentuado desequilíbrio entre as classes. A validação externa multicêntrica e a avaliação prospectiva são necessárias antes da implementação clínica.

Em resumo, este estudo comparou sistematicamente diversos modelos de aprendizado de máquina (ML) e constatou que o modelo Naive Bayes apresentou o desempenho descritivo mais equilibrado para a predição de EIC no conjunto de dados atual. Esse modelo pode fornecer suporte preliminar para a estratificação de risco perioperatória, mas sua utilidade clínica exige validação adicional. Além disso, este estudo avaliou a RCG como uma métrica composta exploratória, que quantifica o desequilíbrio entre "carga de agente de contraste e depuração renal". A RCG destacou-se como um dos preditores mais influentes no modelo e pode fornecer informações úteis para a avaliação individualizada do risco perioperatório. Esses achados podem ajudar a gerar hipóteses para identificar pacientes de alto risco submetidos a procedimentos neurointervencionais, mas são necessários estudos adicionais com amostras maiores e validação externa. Estudos futuros com amostras maiores e validação externa são necessários para determinar se modelos preditivos multimodais podem aprimorar a estratificação de risco de EIC e apoiar uma prevenção e manejo mais precisos dessa complicação.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Sistema eletrônico de prontuário médico	Hospital Geral do Teatro Norte	Sistema clínico institucional	Utilizado para extração retrospectiva de dados Coleta de variáveis demográficas e de histórico clínico
Sistema de informações laboratoriais	Hospital Geral do Teatro Norte	Sistema laboratorial institucional	Utilizado para extração retrospectiva de dados laboratoriais Coleta de creatinina sérica, TFG estimado, perfil lipídico e outros dados laboratoriais
Sistema de angiografia por subtração digital	Philips	Allura Xper FD 20 (com Workstation Intervencionista R1.3.2)	Utilizado durante procedimentos clínicos de rotina Procedimento neurointervencional e registro do uso de contraste
Scanner de CT	Philips	Ingenuity CT	Utilizado para avaliação de imagem pós-operatória Avaliação de TC craniana pós-operatória
Plataforma OnekeyAI de análise de dados estruturados	OnekeyAI	20240916	Utilizada como ferramenta de pesquisa; sem papel na tomada de decisões clínicas Pré-processamento de dados estruturados, construção do modelo, avaliação do modelo e geração de figuras
Python	Fundação Python Software	3.7.12	Linguagem de programação de código aberto Pré-processamento de dados, análise estatística, desenvolvimento de modelos e visualização
scikit-learn	Desenvolvedores do scikit-learn	1.0.2	Biblioteca de aprendizado de máquina em Python de código aberto LASSO, Naive Bayes, SVM, KNN, MLP, análise ROC e métricas de desempenho