Nörogirişimsel İşlemler Sonrası Kontrast Madde Kaynaklı Ensefalopatinin Makine Öğrenmesi ile Öngörülmesi

Özet

Nörogirişimsel prosedürler sonrası kontrast maddeye bağlı ensefalopatiyi (CIE) öngörmek için perioperatif verileri kullanan keşifsel bir makine öğrenimi (ML) çerçevesi değerlendirilmiştir. Naive Bayes modeli en dengeli tanımlayıcı performansı sergilemiş ve kontrast-eGFR oranı (CGR), kişiselleştirilmiş risk değerlendirmesi için önemli bir aday öngördücü olarak tanımlanmıştır.

Özet

CIE, nörointervansiyonel prosedürler sonrası görülen, güvenilir noninvaziv öngörücü araçların eksik olduğu nadir ancak ciddi bir komplikasyondur. Bu çalışma, perioperatif klinik ve prosedürel verileri kullanarak CIE'yi öngörmek için bir ML modeli geliştirmeyi, doğrulamayı ve CGR'nin CIE için öngördürücü değerini değerlendirmeyi amaçlamıştır. Bu çalışma, Ocak 2024 ile Aralık 2025 tarihleri arasında Northern Theater General Hospital Beyin ve Sinir Cerrahisi Bölümü'nde nörointervansiyonel prosedürler geçiren 161 hastanın ardışık olarak kaydedildiği tek merkezli retrospektif bir çalışmadır. CIE için potansiyel perioperatif öngördürücüler, tek değişkenli analiz ve LASSO regresyonu kombinasyonu kullanılarak belirlenmiştir. Seçilen değişkenlere dayanarak beş ML modeli —Naive Bayes, destek vektör makinesi (SVM), k-en yakın komşu (KNN), LightGBM ve çok katmanlı perseptron (MLP)— eğitilmiş ve optimize edilmiştir. Model performansı, alıcı işletim karakteristik eğrisi altındaki alan (AUC) ve karar eğrisi analizi (DCA) kullanılarak kapsamlı bir şekilde değerlendirilmiştir. Değerlendirilen modeller arasında Naive Bayes modeli, 0,952 AUC (95% CI: 0,843–1,000), %100 duyarlılık ve %90,3 özgüllük ile dahili test setinde en uygun tanımlayıcı performansı göstermiştir; ancak veri setinin belirgin şekilde dengesiz olması ve dahili test kohortunun küçük olup yalnızca çok sınırlı sayıda CIE olayı içermesi nedeniyle bu metrikler ihtiyatla yorumlanmalıdır. DCA sonuçları, seçilen eşik olasılıklar genelinde potansiyel bir klinik net faydaya işaret etmiştir. Öznitelik önem analizi, bu veri setinde CGR'nin CIE riski ile ilişkili en yüksek sıralamalı aday öngördürücüler arasında olduğunu göstermiştir. Bu çalışmada değerlendirilen Naive Bayes modeli, nörointervansiyonel prosedürler sonrası CIE'nin perioperatif değerlendirmesi için öncül bir risk sınıflama çerçevesi sağlayabilir. CGR önemli bir öngördürücü öznitelik olarak ortaya çıkmış ve bireyselleştirilmiş risk sınıflamasına yardımcı olabilir. Klinik uygulama öncesinde daha fazla harici doğrulama yapılması gereklidir.

Giriş

Son yirmi yılda, minimal invaziv girişimsel teknikler, serebrovasküler hastalıkların tedavi paradigmasını temelden değiştirmiştir¹. Yüksek etkinlik ve minimal invazivite avantajlarıyla nörogirişimsel prosedürler, seçilmiş serebrovasküler bozukluklar için önemli tedavi seçenekleri haline gelmiştir². Ancak, girişimsel prosedürlerin karmaşıklığı arttıkça, prosedürler sırasında kullanılan kontrast maddelerin dozları, enjeksiyon basınçları ve kontrast maddeye maruz kalma süresi de artmaktadır. Sonuç olarak, kontrast maddeyle ilişkili komplikasyonlar kademeli olarak daha fazla inceleme konusu olmuştur^3,4,5,6,7. İyotlu kontrast maddelerin (ICM) tetiklediği akut, geçici bir nörolojik disfonksiyon olan CIE, özellikle karmaşık nörogirişimsel prosedürlerde klinik olarak ilgili bir komplikasyon olarak giderek daha fazla kabul edilmektedir. CIE'nin tipik klinik belirtileri genellikle kontrast maddeye maruz kaldıktan sonra dakikalar içinde veya 24 saatin içinde ortaya çıkar ve bilinç değişikliklerini (somnolans, deliryum veya koma gibi), kortikal körlüğü, fokal nörolojik defisitleri (hemiparez veya afazi gibi) ve nöbetleri içerir^4,5,6. CIE vakalarının çoğu kendi kendini sınırlayan özelliktedir ve semptomlar tipik olarak 48 ila 72 saat içinde çözülür, ancak bazı hastalar kalıcı nörolojik bozukluklar yaşayabilir. Ağır vakalar, masif serebral ödem nedeniyle ölümle bile sonuçlanabilir^4,7. Sonuçların bu öngörülemezliği, perioperatif dönemde erken risk tahmini için güvenilir bir araç geliştirilmesinin acil ihtiyacını vurgulamaktadır.

Klinik veri hacmi artmaya devam ettikçe, çoklu doğrusal bağlantı gösteren yüksek boyutlu tıbbi verilerle uğraşırken geleneksel istatistiksel yöntemler giderek yetersiz kalmaktadır. Dahası, tek değişkenli analizler veya basit lojistik regresyon modelleri, değişkenler arasındaki karmaşık ve doğrusal olmayan etkileşimleri yakalamada genellikle başarısız olur. ML, bu zorlukların üstesinden gelmek için yeni bir boyut sunmaktadır⁸. SVM, gradyan artırma makineleri (LightGBM) ve MLP gibi ML algoritmaları, yüksek boyutlu özellik uzaylarındaki gizli modelleri otomatik olarak tanımlayabilir ve güçlü öngörü yeteneklerine sahip doğrusal olmayan modeller oluşturabilir^8,9,10,11. Ancak, tahmin doğruluğu peşinden koşulurken, bu algoritmaların yorumlanabilirlik eksikliği ile karakterize edilen "kara kutu" doğası, tıbbi karar verme sürecindeki güvenilirlik konusunda sıklıkla endişelere yol açmaktadır^12,13. Buna karşılık, Naive Bayes algoritması, basit olasılıksal mantığı ve doğal yorumlanabilirliği ile küçük örneklemli klinik çalışmalarda benzersiz avantajlar göstermektedir^14,15. Naive Bayes modeli, her bir öngörücü değişkenin sonuç olayına olan sonrasal olasılık katkısını değerlendirerek sadece öngörü performansını sağlamakla kalmaz, aynı zamanda klinisyenlere sezgisel karar destek içgörüleri sunar. Ayrıca, kontrast madde yükü ile bireysel temizleme kapasitesi arasındaki dengesizliği nicel olarak değerlendirmek için bu çalışma, temel bir özellik olarak kontrast madde-eGFR oranını (CGR) yenilikçi bir şekilde tanıtmaktadır. Böbrek fonksiyonel rezervi düşük olan hastalarda, orta düzeydeki kontrast madde dozları bile son derece yüksek CGR değerlerine yol açabilir ve bu durum CIE'ye karşı duyarlılığı artırabilir. CGR, kontrast madde yükü ve böbrek temizleme kapasitesini entegre eden klinik olarak sezgisel bir bileşik ölçüt sağlayabilir, ancak artırılmış öngörü değerinin daha fazla doğrulanması gerekmektedir. Bu entegre biyobelirteci dahil ederek bu çalışma, patofizyolojik gerçekliği daha yakından yansıtan bir öngörü çerçevesi geliştirmeyi amaçlamıştır.

Özetle, bu çalışma perioperatif klinik ve prosedürel değişkenleri kullanarak ML tabanlı bir CIE tahmin modeli geliştirmeyi ve doğrulamayı amaçlamıştır¹⁶. Belirli hedefler şunlardır: (1) keşifsel bir kompozit indeks olarak CGR'yi tanıtmak ve değerlendirmek; (2) beş ML modelinin —Naive Bayes, SVM, KNN, LightGBM ve MLP— performansını oluşturmak ve karşılaştırmak; ve (3) optimal modeli belirlemek. CIE olaylarının sınırlı sayısı nedeniyle, model karşılaştırması keşifsel ve hipotez oluşturucu olarak değerlendirilmiştir. Nihayetinde, bu çalışma nörointervensiyonel pratikte CIE için öncül bir risk stratifikasyon çerçevesi sağlayabilir, ancak dış doğrulama yapılmadan tek başına bir klinik karar verme aracı olarak kullanılmamalıdır. CGR'nin kavramsal temeli ve kontrast maruziyeti ile renal klirensle olan ilişkisi Şekil 1A'da gösterilmiştir. Veri ön işleme, eğitim/test bölme, özellik seçimi ve model geliştirmeyi içeren genel çalışma iş akışı Şekil 1B'de özetlenmiştir. Beş ML modelinin karşılaştırmalı değerlendirme çerçevesi Şekil 1C'de sunulmuştur.

Protokol

Çalışma protokolü, Kuzey Tiyatro Komutanlığı Genel Hastanesi Etik Kurulu tarafından incelenmiş ve onaylanmıştır (Onay No. Ethics Y (2026) 75). Klinik veriler Ocak 2024 ile Aralık 2025 tarihleri arasında tedavi gören hastalardan elde edilmiş olsa da, mevcut çalışma mevcut klinik kayıtların retrospektif bir analizi olarak yürütülmüştür. 2026 yılında alınan etik onay; bu önceden toplanmış klinik verilerin retrospektif olarak çıkarılmasını, kimliksizleştirilmesini, analizini ve yayınlanmasını kapsamaktadır. Etik onaydan önce herhangi bir prospektif müdahale veya hasta kaydı gerçekleştirilmemiştir. Retrospektif gözlemci çalışma tasarımı nedeniyle yazılı bilgilendirilmiş onam gerekliliği kaldırılmıştır. Tüm prosedürler Helsinki Deklarasyonu'na uygun olarak yürütülmüş ve tüm klinik veriler analizden önce kimliksizleştirilmiştir. Mevcut analiz, onaylanmış retrospektif bir nörointervensiyonel klinik veri araştırma projesinin bir parçası olarak yürütülmüştür. Aşağıda açıklanan prosedürler için gerekli olan materyal ve ekipmanlar Materyal Tablosu'nda özetlenmiştir.

Hasta kaydı ve CIE belirlemesi

Potansiyel olarak uygun hastalar, Ocak 2024 ile Aralık 2025 tarihleri arasında Northern Theater Command Genel Hastanesi Nöroşirürji Bölümünde tedavi gören hastalar için elektronik tıbbi kayıt sistemi sorgulanarak belirlenmiştir. İlk arama; yatış tarihi, bölüm, serebrovasküler hastalık tanısı ve nörointervasiyonel prosedür kayıtları ile sınırlandırılmıştır. Detaylı hasta tarama ve kohort tahsis iş akışı Şekil 2'de gösterilmiştir. Hastaların çalışmaya dahil edilebilmeleri için şu kriterlerin tamamını karşılamaları gerekmiştir: (1) yaşın 30 ile 80 arasında olması; (2) nörointervasiyonel değerlendirme veya tedavi gerektiren serebrovasküler hastalık tanısı; (3) eksiksiz klinik kayıtların ve laboratuvar testi sonuçlarının mevcut olması ve (4) cerrahi sonrası 3 gün içinde baş BT incelemesinin yapılmış olması.

Klinik veya görüntüleme verileri eksik olan, endovasküler girişim uygulamamış, ameliyat öncesi ciddi nörolojik defisitleri olan (modifiye Rankin Ölçeği skoru ≥4), ameliyat öncesi difüzyon ağırlıklı görüntülemede akut serebral enfarktüs saptanan, Kidney Disease: Improving Global Outcomes (KDIGO) kriterlerine göre G4 veya daha yüksek evre kronik böbrek hastalığı olan veya ciddi kardiyovasküler hastalığı olan hastalar çalışma dışı bırakıldı. Dahil etme ve hariç tutma kriterleri sırasıyla uygulandı. İlk elektronik taramanın ardından, her bir aday kayıt, uygunluğu onaylamak ve gerektiğinde hariç tutulma nedenini belgelemek amacıyla manuel olarak incelendi. Taramanın ardından, uygun hastalar 8:2 oranında eğitim ve test kohortlarına rastgele atandı; bu kapsamda bir eğitim kohortu (n = 128) ve bir test kohortu (n = 33) oluşturuldu. İki kohort arasında CIE ve non-CIE vakalarının tutarlı bir dağılımını sağlamak için tabakalı rastgele örnekleme yöntemi kullanıldı.

CIE tanısı, temel olarak semptomların başlangıcı ile serebrovasküler girişim prosedürleri arasındaki zamansal ilişkiye ve buna ek olarak dışlayıcı görüntüleme değerlendirmesine dayandırılmıştır. İki bağımsız serebrovasküler girişim uzmanı, şüphelenilen tüm vakaların postoperatif klinik kayıtlarını, semptom başlangıç zamanını, nörolojik bulguları ve postoperatif görüntüleme sonuçlarını incelemiştir. Görüş ayrılıkları, fikir birliği sağlanana kadar yapılan tartışmalar yoluyla çözülmüştür. Nörogirişimsel prosedürün tamamlanmasını takip eden 24 saat içinde yeni gelişen kortikal körlük, bilinç değişikliği (somnolans, delirium veya koma dahil), nöbet veya hemiparezi veya afazi gibi fokal nörolojik defisitler gelişen hastalar CIE ile uyumlu kabul edilmiştir.

Semptomların başlangıcından sonra, klinik seyirle birlikte postoperatif BT veya MR görüntüleri incelenerek benzer nörolojik belirtilere yol açabilecek alternatif nedenler dışlanmıştır. Postoperatif kafa BT, kurumun standart kontrastsız kranial BT protokolü kullanılarak gerçekleştirilmiştir. Temel görüntüleme parametreleri arasında 80 kVp tüp voltajı, 260 mA tüp akımı, 0.5 mm kesit kalınlığı ve standart aksiyel rekonstrüksiyon yer almıştır. Görüntüler, deneyimli klinisyenler tarafından beyin ve kemik pencerelerinde incelenmiştir. Ayırıcı tanı sırasında akut intrakraniyal kanama, subaraknoid kanama, intraserebral kanama, yeni gelişmiş geniş alanlı serebral enfarktüs, nöbetle ilişkili değişiklikler, enfeksiyon ve metabolik bozukluklar değerlendirilmiştir. Semptom sonrası BT incelemeleri tipik olarak, hemorajik lezyonları taklit eden, korteksi, subkortikal bölgeleri veya subaraknoid alanı etkileyen fokal veya diffüz serebral ödem ve yüksek yoğunluklu gölgeler göstermiştir. MR bulguları genellikle, özellikle temporoparietal oksipital korteksi etkileyen kortikal şişme göstermektedir. Bununla birlikte, bazı hastalarda uyumlu klinik belirtilere rağmen BT veya MR incelemelerinde belirgin bir anormite saptanmamıştır.

Perioperatif değişkenlerin elde edilmesi ve CGR oluşturulması

Yaş, cinsiyet ve vücut ağırlığı dahil olmak üzere genel demografik veriler, elektronik tıbbi kayıt sistemindeki yapılandırılmış alanlardan alınmıştır. Sigara içme öyküsü, alkol tüketim öyküsü, hipertansiyon, diabetes mellitus ve koroner kalp hastalığı dahil olan klinik öykü değişkenleri; yatış notlarından, geçmiş tıbbi kayıtlarından ve taburculuk tanılarından alınmış ve tutarlılık açısından çapraz kontrol edilmiştir. Laboratuvar verileri, laboratuvar bilgi sisteminden alınmıştır. Her hasta için, yatıştan sonra ve nörointervasiyonel işlemden önce alınan ilk venöz kan örneği kullanılmıştır. Alınan laboratuvar değişkenleri arasında serum kreatinin, tahmini glomerüler filtrasyon hızı (eGFR), toplam kolesterol ve trigliserid seviyeleri yer almaktadır. eGFR, Kronik Böbrek Hastalığı Epidemiyoloji İşbirliği (CKD-EPI) kreatinin bazlı denklemi kullanılarak hesaplanmış ve hastane laboratuvar bilgi sisteminden elde edilmiştir.

Prosedürel karmaşıklık, kontrast madde maruziyeti ve lezyon yerleşimi, nörointervansiyonel işlemler sırasında kan-beyin bariyeri bozulmasını ve kontrast madde tutulumunu etkileyebileceği için, perioperatif prosedürel değişkenler de öngörücü çerçeveye dahil edilmiştir. Prosedürle ilgili değişkenler arasında lezyon yerleşimi, prosedür tipi, prosedür süresi, kontrast madde tipi ve toplam kontrast hacmi yer almıştır. Lezyon yerleşimi ve prosedür tipi, ameliyat raporları ve anjiyografik kayıtlardan belirlenmiştir. Prosedür süresi, arteriyel ponksiyondan nörointervansiyonel prosedürün tamamlanmasına kadar geçen süre olarak tanımlanmıştır. Toplam kontrast hacmi, prosedürün başlangıcından sonuna kadar uygulanan iyodlu kontrast maddenin kümülatif hacmi olarak tanımlanmıştır. Bu çalışmada kullanılan kontrast maddeler, kurumsal klinik uygulamaya göre uygulanan iodixanol (320 mg iyot/mL) dahil olmak üzere noniyonik ICA'lardır. Bu çalışmaya dahil edilen tüm nörointervansiyonel prosedürler, çalışma merkezindeki deneyimli bir nörointervansiyonel ekip tarafından dijital subtraksiyon anjiyografi rehberliğinde gerçekleştirilmiştir. Tüm prosedürler transfemoral arteriyel yaklaşım kullanılarak uygulanmıştır. Girişim sırasında hastalara intraoperatif olarak heparin ile antikoagülasyon uygulanmış ve aktive pıhtılaşma süresi 250–300 s hedef aralığında tutulmuştur. Prosedür boyunca vital bulgular sürekli olarak izlenmiştir.

Anevrizma embolizasyonu, anjiyoplasti ve stent yerleştirme dahil olmak üzere terapötik müdahaleler, lezyon özelliklerine ve operatör kararına göre gerçekleştirilmiştir. Prosedürel gereksinimlere uygun mikrokateterler, koiller, stentler veya balonlar seçilmiştir. Anjiyografik görüntüleme ve müdahale sırasında kontrast maddeler, yüksek basınçlı enjeksiyon veya manuel sabit hızda infüzyon yoluyla uygulanmıştır. Kontrast madde tipi ve toplam kontrast hacmi, prosedür kayıtlarından alınmış ve mevcut olduğunda anestezi veya hemşirelik kayıtlarıyla çapraz kontrol edilmiştir. Tutarsız veya eksik kontrast hacmi bilgisi içeren kayıtlar, nihai analitik veri setine dahil edilmeden önce manuel olarak incelenmiştir.

Prosedür süresi, terapötik müdahale tipi, cihaz kullanımı ve kontrast madde uygulama kayıtları dahil olmak üzere prosedürle ilgili tüm değişkenler, analizden önce eksiksizlik ve tutarlılık açısından sistematik olarak incelenmiş ve doğrulanmıştır. Kontrast madde yükü ile renal klirens kapasitesi arasındaki dengesizliği nicel olarak değerlendirmek için CGR temel bir öngörücü değişken olarak belirlenmiş ve aşağıdaki denkleme göre hesaplanmıştır:

(1)

Toplam kontrast hacmi mL cinsinden, eGFR ise mL/min/1.73 m² cinsinden kaydedildi. CGR hesaplamasında kullanılan eGFR değeri, yatış sonrası ve nörointervinsiyonel işlem öncesinde alınan ilk venöz kan örneğinden elde edilen preoperatif eGFR değeriydi. Her hasta için, hem toplam kontrast hacmi hem de eGFR doğrulandıktan sonra CGR hesaplandı. Pay, mL cinsinden toplam kontrast hacmi; payda ise mL/min/1.73 m² cinsinden eGFR olarak belirlendi. Model geliştirme öncesinde tüm hastalara aynı hesaplama kuralı uygulandı.

Özellik seçimi ve ML iş akışı

Analitik sağlamlığı sağlamak amacıyla, tüm klinik ve laboratuvar değişkenleri analizden önce sistematik kalite kontrol prosedürlerinden geçirilmiştir. Model geliştirme aşamasından önce her bir aday değişken için eksik veri oranı hesaplanmıştır. Nihai analitik veri setinde, dahil edilen öngörücüler veya sonuç etiketleri arasında herhangi bir eksik değere rastlanmamıştır; bu nedenle, eksiklik nedeniyle hiçbir değişken dışlanmamış ve çoklu imputasyon yöntemine gerek duyulmamıştır. Ayrıntılı eksik veri özeti Ek Tablo 1'de sunulmuştur.

Tüm aday öngörücü değişkenler, CIE gelişimi ile olan ilişkilerini değerlendirmek amacıyla başlangıçta tek değişkenli analizler kullanılarak değerlendirildi. İstatistiksel yöntemler, verilerin dağılım özelliklerine göre seçildi. Normal dağılım gösteren değişkenler ortalama ± standart sapma olarak ifade edildi ve bağımsız örneklemler t-testi ile karşılaştırıldı. Normal dağılım göstermeyen değişkenler medyan (çeyreklikler arası aralık, IQR) olarak ifade edildi ve Mann–Whitney U testi kullanılarak analiz edildi. Kategorik değişkenler frekans ve yüzde olarak sunuldu ve ki-kare testi veya Fisher'in kesin testi kullanılarak analiz edildi. İstatistiksel anlamlılık p < 0,05 olarak tanımlandı.

Model geliştirme öncesinde tüm veri seti, 8:2 oranında rastgele olarak eğitim ve test kohortlarına ayrılmıştır. Aşırı öğrenmeyi (overfitting) en aza indirmek ve çoklu doğrusal bağlantıyı (multicollinearity) azaltmak amacıyla, öznitelik seçimi için 10 katlı çapraz doğrulama ile birleştirilmiş en küçük mutlak küçültme ve seçme operatörü (LASSO) regresyonu uygulanmıştır. Veri sızıntısını önlemek için öznitelik seçimi, hiperparametre optimizasyonu ve model geliştirme işlemleri yalnızca eğitim kohortu kullanılarak gerçekleştirilmiştir. Dahili test kohortu; imputasyon-parametre tahmini, öznitelik seçimi, hiperparametre optimizasyonu veya model eğitimi sırasında kullanılmamış ve yalnızca nihai performans değerlendirmesi için bir kez kullanılmıştır. Hiperparametre optimizasyonu, eğitim kohortu içerisinde 10 katlı çapraz doğrulama ile ızgara arama (grid search) stratejisi kullanılarak yürütülmüştür. Spesifik olarak, eğitim kohortu rastgele olarak birbirini dışlayan 10 alt kümeye ayrılmıştır. Her yinelemede dokuz alt küme model eğitimi için, kalan alt küme ise doğrulama için kullanılmıştır. Her alt kümenin tam olarak bir kez doğrulama kohortu olarak hizmet etmesini sağlamak için bu işlem 10 kez tekrarlanmıştır.

Tüm hesaplamalı analizler bir Python ortamında gerçekleştirilmiştir. ML model geliştirme ve değerlendirme işlemleri scikit-learn kullanılarak yapılmıştır. Veri ön işleme, özellik seçimi, model eğitimi, performans değerlendirmesi ve DCA için kullanılan analiz betikleri ek kod dosyaları olarak sunulmuştur. Model uygulaması için, LASSO regresyonundan seçilen özellikler tüm aday sınıflandırıcılar için girdi değişkenleri olarak kullanılmıştır. Sürekli değişkenler, eğitim kohortu içerisinde z-skoru normalizasyonu kullanılarak standardize edilmiş ve aynı ölçeklendirme parametreleri dahili test kohortuna uygulanmıştır. Kategorik değişkenler önceden tanımlanmış kodlama şemasına göre kodlanmış olup, değişken tanımları ve kodlama şeması Ek Tablo 2'de sunulmuştur. Beş sınıflandırıcı uygulanmıştır: Gaussian Naive Bayes, SVM, KNN, LightGBM ve MLP. SVM için çekirdek tipi, düzenlileştirme parametresi C ve çekirdek katsayısı gamma ayarlanmıştır. KNN için komşu sayısı ve mesafe-ağırlıklandırma stratejisi ayarlanmıştır. LightGBM için tahminci sayısı, öğrenme oranı, maksimum ağaç derinliği ve yaprak sayısı ayarlanmıştır. MLP için gizli katman yapısı, aktivasyon fonksiyonu, düzenlileştirme parametresi ve öğrenme oranı ayarlanmıştır. Gaussian Naive Bayes, belirtilen varyans düzleştirme ayarı kullanılarak uygulanmıştır. Her model için optimal hiperparametre kombinasyonu, eğitim kohortu içindeki çapraz doğrulama performansına göre seçilmiştir. Her model için seçilen nihai optimize edilmiş hiperparametre kombinasyonları Ek Tablo 3'te özetlenmiştir. Hiperparametre seçiminden sonra, her nihai model tüm eğitim kohortu üzerinde yeniden eğitilmiş ve dahili test kohortunda bir kez değerlendirilmiştir.

Model performanslarının karşılaştırılması

Seçilen öngördürücülere dayanarak beş ML modeli geliştirilmiş ve karşılaştırılmıştır. Model performansı, hem eğitim hem de test kohortlarında alıcı işletim karakteristik eğrisi altındaki alan (AUC), %95 güven aralığı (%95 CI), duyarlılık, özgüllük ve doğruluk kullanılarak değerlendirilmiştir. Farklı modellerin ayırt edici performanslarını karşılaştırmak için alıcı işletim karakteristik eğrileri oluşturulmuştur. Her model için optimal sınıflandırma eşiği, yalnızca eğitim kohortu içerisinde Youden indeksi kullanılarak belirlenmiştir. Elde edilen eşik daha sonra sabitlenmiş ve eşik bağımlı performans metriklerini hesaplamak için dahili test kohortuna değişmeden uygulanmıştır.

Karar eğrisi analizi

DCA, bir dizi eşik olasılığı boyunca her bir modelin net faydası hesaplanarak ve model tabanlı strateji iki varsayılan stratejiyle (tüm hastaların tedavi edilmesi ve hiçbir hastanın tedavi edilmemesi) karşılaştırılarak gerçekleştirilmiştir. DCA, ayırıcı performansın ve perioperatif karar verme ortamlarındaki potansiyel klinik uygulanabilirliğin eş zamanlı değerlendirilmesine olanak tanıdığı için seçilmiştir. Tekrarlanabilirliği kolaylaştırmak için tüm iş akışı şu sırayla gerçekleştirilmiştir: elektronik tıbbi kayıt sisteminden hasta tanımlama, dahil etme ve hariç tutma kriterlerinin uygulanması, iki bağımsız uzman tarafından CIE değerlendirmesi, demografik, klinik öykü, laboratuvar ve prosedürle ilgili değişkenlerin çıkarılması ve çapraz kontrolü, CGR hesaplaması, eksik veri değerlendirmesi ve eğitim-test kohortu ayrımı, eğitim kohortu içinde LASSO tabanlı özellik seçimi, 10 katlı çapraz doğrulama ile hiperparametre ayarı, tüm eğitim kohortunda nihai modelin yeniden kurulması, dahili test kohortu değerlendirmesi, ROC tabanlı performans değerlendirmesi, Youden indeksi eşik belirlemesi ve DCA.

Sonuçlar

Hasta kaydı ve CIE belirlenmesi

Nörointervansiyonel prosedürler uygulanan toplam 161 hasta bu çalışmaya dahil edilmiştir; bu hastaların 12'sinde (%7,5) CIE gelişirken, 149'unda (%92,5) gelişmemiştir. Detaylı hasta tarama ve gruplandırma süreci Şekil 2'de gösterilmiştir. CIE tanısı, semptomların başlangıcı ile nörointervansiyonel prosedürler arasındaki zamansal ilişkiye ve dışlayıcı görüntüleme bulgularına dayanarak konulmuştur. CIE'nin temsilci nörogörüntüleme bulguları Şekil 3A–D'de sunulmuştur.

İki grubun bazal demografik, klinik, laboratuvar ve prosedürel özellikleri Tablo 1'de özetlenmiştir. CIE ve non-CIE grupları arasında yaş, cinsiyet dağılımı veya vücut ağırlığı açısından anlamlı bir fark gözlemlenmemiştir (tüm p > 0,05). Benzer şekilde, hipertansiyon, diabetes mellitus ve koroner kalp hastalığı dahil olmak üzere yaygın komorbiditelerin prevalansı iki grup arasında anlamlı farklılık göstermemiştir (tüm p > 0,05). Alkol tüketimi ve sigara kullanımı gibi yaşam tarzı faktörleri de benzerdi.

Buna karşılık, laboratuvar ve prosedürle ilgili birkaç değişken iki grup arasında anlamlı farklılıklar göstermiştir. CIE grubundaki hastaların serum kreatinin düzeyleri, CIE olmayan gruba göre anlamlı derecede daha yüksekti (medyan: 85.2'ye karşı 65.3 µmol/L, p = 0.004), buna karşın eGFR düzeyleri anlamlı derecede daha düşüktü (medyan: 81'e karşı 102.7 mL/min/1.73 m², p < 0.001). Prosedürel özellikler açısından, embolizasyon prosedürleri CIE grubunda, CIE olmayan gruba göre anlamlı derecede daha sıktı (%41.7'ye karşı %2.0, p < 0.001). Ayrıca, posterior sirkülasyon lezyonları, CIE gelişen hastalar arasında anlamlı derecede daha yaygındı (%58.3'e karşı %6.0, p < 0.001). Kullanılan kontrast madde tipi açısından iki grup arasında anlamlı bir fark gözlenmemiştir (p = 0.982). Dahası, CIE grubundaki hastalar prosedür sırasında anlamlı derecede daha yüksek hacimde kontrast madde almışlardır (medyan: 200.0'a karşı 165.0 mL, p = 0.005) ve prosedür süreleri daha uzundur (medyan: 78.5'e karşı 50.0 min, p = 0.008). Özellikle, bu çalışmada önerilen kompozit bir indeks olan CGR, CIE grubunda CIE olmayan gruba göre anlamlı derecede daha yüksekti (medyan: 2.35'e karşı 1.63, p < 0.001), bu da CGR ile CIE oluşumu arasında güçlü bir ilişki olduğunu göstermektedir.

Perioperatif değişkenlerin elde edilmesi ve CGR oluşturulması

Perioperatif demografik, laboratuvar ve prosedürel değişkenler, protokolde açıklandığı şekilde sistematik olarak toplanmış ve analiz edilmiştir. Bu değişkenler arasında, toplam kontrast hacminin eGFR'ye oranı olarak tanımlanan CGR, kontrast madde maruziyeti ile renal klirens kapasitesi arasındaki dengeyi yansıtan kompozit bir gösterge olarak oluşturulmuştur. Bu kohortta CGR, CIE oluşumu ile ilişkili bulunmuş ve özellik seçimi ile model geliştirme analizleri için aday bir öngörücü olarak dahil edilmiştir. CGR'yi bireysel bileşenleriyle karşılaştırmak için CGR, toplam kontrast hacmi ve eGFR kullanılarak karşılaştırmalı bir ROC analizi gerçekleştirdik. CGR, toplam kontrast hacmi (AUC = 0,745, %95 GA: 0,559–0,886) ve ters risk yönünde analiz edilen eGFR (AUC = 0,865, %95 GA: 0,764–0,951) ile karşılaştırıldığında, 0,959'luk bir AUC (%95 GA: 0,924–0,985) ile CIE için en yüksek ayırıcı yeteneği göstermiştir. CGR ile toplam kontrast hacmi arasındaki AUC farkı 0,214, CGR ile eGFR arasındaki AUC farkı ise 0,093 olmuştur. Detaylı sonuçlar Ek Tablo 4'te sunulmuştur.

Öznitelik seçimi ve ML iş akışı

Çoklu doğrusal bağımlılığı (multicollinearity) en aza indirirken en ilgili öngörücüleri belirlemek için, aday değişkenlere 10 katlı çapraz doğrulama ile LASSO regresyonu uygulanmıştır. LASSO modelinin katsayı profili ve çapraz doğrulama eğrileri sırasıyla Şekil 4A ve Şekil 4B'de sunulmuştur. Final modelin LASSO katsayı sıralaması Şekil 5'te gösterilmiştir. Optimal λ değerinde; CGR, prosedür tipi, lezyon lokasyonu, trigliserid seviyeleri, serum kreatinin, eGFR ve çeşitli klinik kovaryatlar dahil olmak üzere bir değişken alt kümesi korunmuştur. Korunan öngörücülerin LASSO katsayılarına dayalı nicel sıralaması Ek Tablo 5'te verilmiştir.

Model performanslarının karşılaştırılması

CIE riskini tahmin etmek için beş ML yaklaşımı —Naive Bayes, SVM, KNN, LightGBM ve MLP— geliştirilmiştir. Bu yaklaşımların eğitim ve test setlerindeki performansları Tablo 2'de özetlenmiş, beş modelin doğruluk karşılaştırması Şekil 6'da gösterilmiş ve ilgili konfüzyon matrisleri Ek Şekil 1, Ek Şekil 2, Ek Şekil 3, Ek Şekil 4, ve Ek Şekil 5'te sunulmuştur. Veri setinin 12 CIE vakası ve 149 CIE dışı vaka ile belirgin şekilde dengesiz olması nedeniyle, doğruluk ve eşik tabanlı metrikler; sensitivite, spesifite, AUC ve güven aralıklarıyla birlikte ve dikkatle yorumlanmalıdır. Eğitim setinde tüm modeller, 0.961–0.999 arasında değişen AUC değerleri ile iyi bir ayırt etme yeteneği sergilemiştir. Dahili test setinde Naive Bayes modeli sayısal olarak en yüksek performansı göstermiş (AUC = 0.952, 95% CI: 0.843–1.000), bunu sırasıyla LightGBM (AUC = 0.944, 95% CI: 0.822–1.000) ve SVM (AUC = 0.935, 95% CI: 0.796–1.000) izlemiştir.

Youden indeksi ile belirlenen optimal sınıflandırma eşiğinde, Naive Bayes modeli %100 sensitivite ve %90,3 spesifite sağlamıştır. Model AUC'leri arasında resmi ikili istatistiksel karşılaştırmalar yapılmadığı için, modeller arasında gözlemlenen farklar tanımlayıcı ve keşifsel olarak yorumlanmalıdır. Ayrıca, veri seti belirgin şekilde dengesiz olduğu ve dahili test kohortu yalnızca çok sınırlı sayıda CIE olayı ile küçük olduğu için, sensitivite ve spesifite gibi eşik tabanlı metrikler istikrarsız olabilir ve dikkatle yorumlanmalıdır. Naive Bayes modelinin eğitim ve test setlerindeki alıcı işletim karakteristik (ROC) eğrileri Şekil 7'de sunulmuştur.

MLP modeli eğitim setinde iyi performans göstermesine rağmen (AUC = 0.961), test setindeki performansı önemli ölçüde düşmüş (AUC = 0.742), bu da potansiyel bir aşırı öğrenmeye (overfitting) işaret etmiştir. Benzer şekilde, KNN modeli test setinde geniş bir güven aralığı ile sınırlı bir ayırt edici yetenek sergilemiş (AUC = 0.718), bu da kararsızlığı göstermiştir. Duyarlılık, özgüllük ve doğruluk gibi eşiğe bağımlı metrikler için optimal sınıflandırma eşiğini belirlemek amacıyla Youden indeksi tabanlı strateji kullanılmıştır. ROC-AUC değerlerinin kendileri eşikten bağımsızdır. Bu nedenle, rapor edilen eşiğe bağımlı performans metrikleri, modelin optimal çalışma noktasındaki davranışını yansıtmaktadır. Optimal Youden eşikleri ve bunlara karşılık gelen eşik tabanlı metrikler Ek Tablo 6'da sunulmuştur. Genel olarak, Naive Bayes modeli, eğitim ve iç test setleri arasında AUC değerindeki sayısal düşüşün minimum olduğu, nispeten istikrarlı bir tanımlayıcı performans göstermiştir.

Karar eğrisi analizi

Modellerin klinik faydasını bir dizi eşik olasılığı üzerinden değerlendirmek için DCA uygulanmıştır. DCA eğrileri Şekil 8'de gösterilmiştir. Tüm modeller, "herkesi tedavi et" ve "hiç kimseyi tedavi etme" stratejileriyle karşılaştırıldığında, belirli eşik olasılığı aralıklarında pozitif net fayda göstermiştir. Değerlendirilen modeller arasında SVM, pozitif net faydanın en geniş aralığını sergilerken, diğer modeller de belirli eşik aralıklarında potansiyel klinik kullanışlılık göstermiştir.

VERİ ERİŞİLEBİLİRLİĞİ:

Ana analizleri desteklemek için kullanılan kimliksizleştirilmiş ham veriler GitHub'a yüklenmiş olup şu adresten erişilebilir: https://doi.org/10.5281/zenodo.20043331. Veri paylaşımı öncesinde tüm doğrudan hasta tanımlayıcıları kaldırılmıştır. Bu çalışma, hastane tıbbi kayıtlarına dayanan retrospektif bir klinik çalışma olduğu için, herhangi bir ek hasta düzeyindeki bilgiye erişim, kurumsal etik ve gizlilik gereklilikleri nedeniyle kısıtlı kalmaya devam etmektedir. Makul bir talep üzerine ve kurumsal etik kurulunun onayıyla, ilgili yazardan ek kimliksizleştirilmiş veriler temin edilebilir. Tekrarlanabilirliği desteklemek amacıyla, istatistiksel analiz betikleri, ML model eğitim kodu ve şekil oluşturma kodu ek dosyalar olarak sağlanmıştır.

Şekil 1: Perioperatif verilere dayalı CIE risk modellemesinin iş akışı. (A) CIE mekanizmaları ve kontrast hacmi-eGFR oranının (CGR) türetilmesi. (B) Veri entegrasyonu ve LASSO tabanlı özellik seçimi. (C) ML model geliştirme ve karşılaştırma; Naive Bayes, dahili test setinde en yüksek sayısal AUC değerini göstermektedir (AUC ≈ 0.95). Kısaltmalar: CIE = kontrast kaynaklı ensefalopati; CGR = kontrast hacmi-eGFR oranı; eGFR = tahmini glomerüler filtrasyon hızı; AUC = eğri altındaki alan. Şekil, yazarların kendi klinik verilerinden türetilmiştir ve şematik çizim, yazarlar tarafından değiştirilmiş Microsoft PowerPoint simgeleri kullanılarak orijinal olarak oluşturulmuştur. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 2: Hasta seçimi ve kohort tahsisi. Hasta taramasını, uygunluk değerlendirmesini, dışlama kriterlerini ve kohort atamasını gösteren akış şeması. Başlangıçta toplam 225 hasta değerlendirildi. 30 ile 80 yaş arası olma, eksiksiz klinik verilerin mevcut olması ve ameliyat sonrası ilk 3 gün içinde baş BT çekilmiş olması gibi dahil edilme kriterleri uygulandıktan sonra 190 hasta uygun bulundu. Akut serebral enfarktüs, evre ≥ G4 kronik böbrek hastalığı (eGFR < 30 mL/min/1.73 m²), şiddetli kardiyovasküler hastalık, endovasküler tedavi uygulanmamış olması, şiddetli nörolojik defisit (modifiye Rankin Ölçeği skoru ≥ 4) veya eksik veriler nedeniyle hastalar dışlandı. Son olarak, 161 hasta çalışmaya dahil edildi ve 8:2 oranında rastgele eğitim kohortuna (n = 128) ve dahili test kohortuna (n = 33) ayrıldı. Kısaltmalar: CT = bilgisayarlı tomografi; eGFR = tahmini glomerüler filtrasyon hızı; CKD = kronik böbrek hastalığı; mRS = modifiye Rankin Ölçeği. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 3: CIE tanılı bir hastadaki seri kontrastsız BT görüntüleri. (A) Prosedür öncesi bazal BT. (B) Semptom başlangıcında sağ parietal lobda kortikal hiperdansiteyi gösteren BT (ok). (C) Postoperatif birinci gündeki kısmi düzelmeyi gösteren BT. (D) Postoperatif ikinci gündeki daha ileri düzelmeyi gösteren BT. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 4: LASSO tabanlı özellik seçimi. (A) Minimum MSE'ye dayalı olarak optimal λ değerini belirlemek için kullanılan on katlı çapraz doğrulama eğrisi. (B) Aday değişkenlerin log(λ) değerine karşı çizilen katsayı profilleri; düzenlileştirme gücü arttıkça değişken katsayılarındaki değişimleri göstermektedir. Kısaltmalar: LASSO = least absolute shrinkage and selection operator; λ = düzenlileştirme parametresi; MSE = ortalama kare hata. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 5: Seçilen değişkenlerin katsayıları. LASSO seçiminden sonra elde tutulan değişkenlerin katsayılarını gösteren sütun grafiği. Pozitif katsayılar pozitif ilişkiyi; negatif katsayılar ise ters ilişkiyi belirtir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 6: Beş ML modelinin eğitim ve test doğruluğu. Beş ML modelinin (Naive Bayes, SVM, KNN, LightGBM, MLP) eğitim ve test setlerindeki doğruluğu. Kısaltmalar: SVM = destek vektör makinesi; KNN = k-en yakın komşu; LightGBM = hafif gradyan artırma makinesi; MLP = çok katmanlı perdektron. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 7: Naive Bayes modelinin ROC eğrileri. Eğitim ve iç test kohortları için karşılık gelen eğri altındaki alan değerleri ile birlikte alıcı işletim karakteristik eğrileri. Kısaltmalar: ROC = alıcı işletim karakteristikleri; AUC = eğri altındaki alan. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 8: Karar eğrisi analizi. Hepsini tedavi et ve hiçbirini tedavi et stratejileriyle karşılaştırıldığında, farklı modellerin eşik olasılıklar boyunca net faydasını gösteren DCA. Gölgeli bölgeler, modelin hem hepsini tedavi et hem de hiçbirini tedavi et stratejilerine kıyasla pozitif net fayda elde ettiği eşik olasılık aralıklarını belirtmektedir. Kısaltmalar: DCA = karar eğrisi analizi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Ek Şekil 1: Dahili test kohortundaki Naive Bayes modelinin konfüzyon matrisi.Matris, seçilen sınıflandırma eşiğindeki doğru ve yanlış sınıflandırılmış örnek sayılarını göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 2: Dahili test kohortundaki SVM modelinin hata matrisi.Matris, seçilen sınıflandırma eşiğindeki doğru ve yanlış sınıflandırılmış örnek sayılarını göstermektedir.Lütfen bu dosyayı indirmek için buraya tıklayın.

Ek Şekil 3: İç test kohortundaki KNN modelinin konfüzyon matrisi.Matris, seçilen sınıflandırma eşiğindeki doğru ve yanlış sınıflandırılmış örneklerin sayılarını göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 4: Dahili test kohortundaki LightGBM modelinin konfüzyon matrisi.Matris, seçilen sınıflandırma eşiğindeki doğru ve yanlış sınıflandırılmış örnek sayılarını göstermektedir.Lütfen bu dosyayı indirmek için buraya tıklayın.

Ek Şekil 5: Dahili test kohortundaki MLP modelinin hata matrisi.Matris, seçilen sınıflandırma eşiğindeki doğru ve yanlış sınıflandırılmış örnek sayılarını göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Karakteristik	CIE ( n = 12 )	Non-CIE ( n = 149 )	p değeri
Demografik Bilgiler
Yaş (yıl), medyan (IQR)	67 (62.5–69.0 )	63 ( 55.0–70.0 )	0.194
Erkek, n (%)	9 (75.0)	105 (70.5)	1.000
Kilo (kg), medyan (IQR)	65 (55.0–70.0)	70 (60.0–77.5)	0.160
Komorbiditeler, n (%)
Hipertansiyon	7 (58.3)	102 (68.5)	0.526
Diyabet	4 (33.0)	57 (38.3)	1.000
Koroner kalp hastalığı	2 (16.7)	23 (15.4)	1.000
Alışkanlıklar, n (%)
Alkol Kullanımı	7 (58.3)	78 (52.3)	0.770
Sigara Durumu	7 (58.3)	59 (39.6)	0.233
Laboratuvar Değerleri, medyan (IQR)
Serum Kreatinin (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
Toplam Kolesterol (mmol/L)	3.3 (3.0–4.4)	3.4 (2.9–4.1)	0.775
Trigliseridler (mmol/L)	1.8 (1.2–2.1)	1.2 (0.8–1.6)	0.017
Prosedürel Karakteristikler
Prosedür Tipi, n ( % )			<0.001
- Stent Anjiyoplasti	7 (58.3)	146(98.0)
- Embolizasyon	5 (41.7)	3 (2.0)
Lezyon Lokasyonu, n (%)			<0.001
- Posterior Sirkülasyon	7 (58.3)	9 (6.0)
- Anterior Sirkülasyon	5 (41.7)	140 (94.0)
Kontrast Madde Tipi, n (%)			0.982
- 2. Nesil	6 (50.0)	75 (50.3)
- 3. Nesil	6(50.0)	74 (49.7)
Toplam Kontrast Volümü (mL), medyan (IQR)	200 (188.0–200.0)	165 (155.0–180.0)	0.005
Prosedür Süresi (dakika), medyan (IQR)	78.5 (52.5–124.5)	50 (47.0–57.0)	0.008
Yeni İndeks
CGR, medyan (IQR)	2.35 (2.17–2.70)	1.63 (1.40–1.85)	<0.001

Tablo 1: Hastaların başlangıç klinik özellikleri. Hastaların demografik, klinik, laboratuvar ve prosedürle ilgili özellikleri CIE ve non-CIE grupları arasında karşılaştırılmıştır. Sürekli değişkenler ortalama ± standart sapma veya medyan (interkuartil aralık) olarak, kategorik değişkenler ise sayı ve yüzde olarak sunulmuştur. Gruplar arası istatistiksel karşılaştırmalar uygun parametrik veya nonparametrik testler kullanılarak yapılmıştır. Kısaltmalar: CIE = kontrast kaynaklı ensefalopati; eGFR = tahmini glomerüler filtrasyon hızı; CGR = kontrast hacmi-eGFR oranı; IQR = interkuartil aralık; SD = standart sapma.

Model adı	Doğruluk	AUC	95% GA	Sensitivite	Spesifite	Veri seti
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	eğitim
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	eğitim
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	eğitim
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	eğitim
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	eğitim
MLP	0.970	0.742	0.228–1.000	0.5	1.000	test

Tablo 2: Modellerin performans karşılaştırması. Farklı ML modellerinin öngörü performansı; eğitim ve dahili test veri setlerinde doğruluk, eğri altındaki alan (AUC), %95 güven aralığı (CI), duyarlılık ve özgüllük kullanılarak değerlendirilmiştir. Kısaltmalar: CI = güven aralığı.

Ek Tablo 1: Model geliştirme öncesi eksik veri değerlendirme özeti. Model geliştirme öncesindeki tüm aday tahmin edici değişkenler için eksik değerlerin özeti. Dahil edilen değişkenler arasında herhangi bir eksik değere rastlanmamıştır; bu nedenle herhangi bir imputasyon prosedürü uygulanmamıştır.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 2: Analitik veri setinin değişken sözlüğü. ML analizine dahil edilen klinik, laboratuvar ve prosedürle ilgili değişkenlerin tanımları, kodlama yöntemleri, değişken kategorileri ve açıklamaları.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 3: ML modelleri için hiperparametre arama alanı ve seçilen parametreler. Her bir ML algoritması için model ayarlama sırasında elde edilen aday hiperparametre aralıkları ve optimize edilmiş parametreler özetlenmiştir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 4: CGR ve bireysel bileşenlerinin karşılaştırmalı ROC analizi. CGR ve bireysel bileşenlerinin CIE öngörüsü için tahmin performanslarını karşılaştırmak amacıyla alıcı işletim karakteristiği analizi gerçekleştirilmiştir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 5: LASSO katsayılarına dayalı kantitatif özellik sıralaması. Seçilen değişkenler, LASSO regresyonu sonrası katsayı değerlerine göre sıralanarak, her bir değişkenin öngörücü modeldeki bağıl katkısı ve ilişkisinin yönü gösterilmiştir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 6: Eğitim kohortunda belirlenen Youden eşikleri ve karşılık gelen sınıflandırma performans metrikleri. Her model için optimal eşik, yalnızca eğitim kohortunda Youden indeksi kullanılarak belirlenmiş, ardından sabitlenmiş ve dahili test kohortuna uygulanmıştır. Dahili test kohortundaki doğruluk, duyarlılık ve özgünlük bu sabit eşikler kullanılarak hesaplanmıştır.Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

CIE, kontrast maddelere maruz kaldıktan kısa bir süre sonra ortaya çıkan akut nörolojik disfonksiyon ile karakterize, nörointervansiyonel prosedürler sonrası görülen nadir ancak potansiyel olarak ciddi bir komplikasyondur. Durum tipik olarak geri dönüşümlü olsa da, bazı vakalarda kalıcı nörolojik defisitlere veya yaşamı tehdit eden sonuçlara yol açabilir; bu da erken risk tanımlamasının önemini vurgulamaktadır^17,18,19,20. Bununla birlikte, CIE'nin altında yatan patofizyolojik mekanizmalar; hastaya özgü faktörler, kontrast madde özellikleri ve prosedürel karakteristikler arasındaki etkileşimleri içeren kompleks ve multifaktöryel bir yapıdadır^{9,10,21,22,23,24}. Bu karmaşıklık, yalnızca tekil klinik değişkenlere veya ampirik yargılara dayalı olarak doğru bir perioperatif risk değerlendirmesi yapmayı son derece zorlaştırmaktadır.

Bu çalışmada, serebrovasküler girişim uygulanan hastalarda CIE riskini tahmin etmek için beş ML modeli oluşturulmuş ve değerlendirilmiştir. Betimsel performans karşılaştırmasının ardından, Naive Bayes modelinin bu çalışmada en dengeli betimsel performansa sahip model olduğu belirlenmiştir. Model ayırma yeteneği açısından Naive Bayes modeli; LightGBM (AUC = 0.944; 95% CI: 0.822–1.000), SVM (SVM; AUC = 0.935; 95% CI: 0.796–1.000), MLP (MLP; AUC = 0.742; 95% CI: 0.228–1.000) ve KNN algoritması (KNN; AUC = 0.718, 95% CI: 0.195–1.000) ile karşılaştırıldığında, internal test kohortunda en yüksek sayısal AUC değerini göstermiştir (AUC = 0.952; 95% CI: 0.843–1.000). Model AUC'leri arasında formal ikili istatistiksel karşılaştırma yapılmadığı için, bu farklılıklar model üstünlüğünün kesin kanıtlarından ziyade betimsel olarak yorumlanmalıdır. KNN ve MLP'nin eğitim setinde iyi performans gösterdiği (sırasıyla AUC = 0.969 ve 0.961), ancak test setinde performanslarının önemli ölçüde düştüğü ve bunun olası bir aşırı öğrenme (overfitting) durumuna işaret ettiği dikkat çekicidir²⁵. Buna karşın, Naive Bayes modeli eğitim ve internal test kohortları arasında benzer betimsel AUC değerleri korumuş (AUC farkı = 0.009), bu da bu veri setinde nispeten istikrarlı bir betimsel performansa işaret etmiştir. Ancak, internal test kohortunun yalnızca 33 hasta ve çok sınırlı sayıda CIE olayını içermesi nedeniyle, bu görünür istikrar ihtiyatla yorumlanmalıdır.

Pratik bir perspektiften bakıldığında, Naive Bayes'in nispeten basit olasılıksal yapısı, özellikle sonuç olaylarının sayısının sınırlı olduğu küçük örneklemli klinik veri setleri için uygun olabilir. Bu çalışmada, Naive Bayes modeli eğitim ve dahili test kohortları arasında nispeten dengeli bir tanımlayıcı performans göstermiştir. Ancak, dahili test kohortunun küçük olması ve çok az sayıda CIE olayı içermesi nedeniyle, bu görünürdeki stabilite ihtiyatla yorumlanmalı ve harici doğrulama gerektirmelidir. Naive Bayes modelinin bu veri setindeki nispeten olumlu tanımlayıcı performansı, basit olasılıksal yapısıyla ve özelliklerin bağımsızlığı varsayımı altında küçük örneklemli ortamlara uygunluğu ile ilişkili olabilir^14,15. Buna karşılık, MLP ve LightGBM gibi daha karmaşık modeller, sınırlı örneklem koşulları altında aşırı öğrenmeye (overfitting) daha yatkındır ve bu durum genelleme yeteneklerini azaltır. Bu bulgular ayrıca, nörointervensiyonel gibi yüksek riskli, klinik odaklı araştırma alanlarında model seçiminin, karmaşık algoritmaların veya tekil performans metriklerinin mutlak üstünlüğünü körü körüne kovalamaktansa stabiliteye, tekrarlanabilirliğe ve klinik uygulanabilirliğe daha fazla önem vermesi gerektiğini göstermektedir. DCA, Naive Bayes modelinin seçilen eşik olasılıklar genelinde net fayda sağlayabileceğini ancak bu bulgunun keşifsel düzeyde kaldığını ve harici doğrulama gerektirdiğini ortaya koymuştur. Dahası, basit yapısı, hesaplama verimliliği ve yorumlanabilirliği, gelecekte keşifsel bir perioperatif risk stratifikasyon modeli olarak değerlendirilmesini destekleyebilir, ancak klinik uygulama öncesinde harici doğrulama gereklidir. Klinik bir perspektiften bakıldığında, bu çalışmadaki CIE insidansı %7,5 olup, önceki raporlarda genel olarak belgelenen %2–5'ten daha yüksektir⁷. Bu tutarsızlık, büyük ölçüde çalışma popülasyonunun yüksek derecede seçici doğasına bağlanabilir: kohort, anevrizma embolizasyonu gibi karmaşık nörointervensiyonel prosedürler geçiren serebrovasküler hastalığı olan hastalara odaklanmıştır. Süper selektif anjiyografi ve lokal yüksek doz tutulumu gibi bu prosedürlerle ilişkili kontrast madde uygulama modelleri arasındaki belirgin farkların yanı sıra daha uzun prosedür süreleri, CIE için kabul görmüş risk faktörleridir^9,10,26. Ayrıca, hastaların daha yüksek olan bazal riski, genel insidans oranını daha da artırmaktadır. Çalışma bulguları, posterior sirkülasyon lezyonlarının ve embolizasyon prosedürlerinin CIE için güçlü öngördürücüler olduğunu vurgulamaktadır. Anatomik olarak posterior sirkülasyon (vertebrobaziler sistem); beyin sapını, serebellumu ve oksipital lobu besler. Oksipital lob, kontrast madde toksisitesine karşı aşırı yüksek hassasiyet gösterir; bu durum, CIE hastalarının sıklıkla kortikal körlükle başvurmasını açıklar. Ek olarak, vertebrobaziler sistemin hemodinamik özellikleri anterior sirkülasyonunkilerden farklıdır ve bu durum, bu kohortta posterior sirkülasyon lezyonları ile CIE arasında gözlemlenen ilişkiyi kısmen açıklayabilir.

Embolizasyon prosedürleri tipik olarak basit anjiyoplastiden daha zorludur; coil'lerin konumunu ve trombus oklüzyonunun kapsamını doğrulamak için sık sık süper selektif anjiyografi gerektirir, bu da rutin prosedürlere kıyasla birim zaman başına yerel vasküler yatağa anlamlı derecede daha yüksek bir pik kontrast madde maruziyetine neden olur. Bu yoğun ve lokalize kontrast maruziyeti, mevcut retrospektif çalışmada doğrudan doğrulanamamış olsa da, KKB bozulmasına biyolojik olarak makul bir katkıda bulunabilir. Bazal karakteristik analizleriyle tutarlı olarak, CIE grubundaki hastalar, CIE olmayan gruba kıyasla anlamlı derecede daha yüksek embolizasyon tedavi oranlarına ve daha yüksek oranda posterior sirkülasyon lezyonlarına sahipti; bu durum, cerrahi karmaşıklığın ve lezyonun anatomik konumunun CIE oluşumuyla ilişkili olabileceğini düşündürmektedir. Ayrıca, CIE grubundaki daha uzun prosedür süresi ve daha yüksek toplam kontrast madde kullanımı, cerrahiyle ilişkili stres faktörlerinin CIE gelişme riski üzerindeki kümülatif etkisini daha da vurgulamaktadır.

Modelin klinik yorumlanabilirliğini artırmak amacıyla, bu çalışmada CGR keşifsel bir kompozit indeks olarak değerlendirilmiştir. CIE oluşma riski, yalnızca serebral vaskülatüre giren kontrast maddenin mutlak dozuna değil, aynı zamanda kontrast maddenin sistemik dolaşımdan temizlenme hızına da yakından bağlıdır. CGR, toplam kontrast hacmini ve eGFR'yi, renal temizleme kapasitesine oranla kontrast madde yükünü yansıtan tek bir kompozit indekste birleştirir. Bu tasarım yaklaşımı, kontrast madde hacminin eGFR'ye oranı²⁷ gibi kontrastla ilişkili nefropatiyi (CIN) öngörmek için kullanılan iyi tanımlanmış oran tabanlı paradigmadan yararlanmaktadır ve hastalıkların temelindeki patofizyolojik durumları ortaya çıkarmayı amaçlayan nötrofil-lenfosit oranı (NLR)²⁸ ve trigliserid-glukoz indeksi (TyG)²⁹ gibi kapsamlı biyobelirteçler oluşturmaya yönelik güncel stratejilerle uyumludur. İyotlu kontrast maddeler öncelikle böbrekler tarafından orijinal formlarında ekskrete edilir. Renal temizlenme azaldığında, iyotlu kontrast maddelere olan sistemik maruziyet uzayabilir ve bu durum endotelin kontrast maddelere maruz kalmasını artırabilir. Nörointervansiyonel işlemler sırasında, kontrast maddeler genellikle internal karotis veya vertebral arterler aracılığıyla yüksek konsantrasyonlarda doğrudan serebral dolaşıma enjekte edilir; lokal olarak aşırı ozmotik basınç gradyanı KKB bütünlüğünü bozabilir³⁰. Bu noktada, eğer sistemik temizlenme bozulmuşsa, kan akımında biriken kontrast madde KKB boyunca bir konsantrasyon gradyanını sürdürmeye devam ederek kontrast maddenin beyin interstisiyel boşluğuna difüzyonunu tetikleyebilir. Ayrıca CGR, kontrast yükü ve renal temizlenmeyi entegre etmek için klinik olarak sezgisel bir yol sunabilir, ancak tek başına kontrast hacmi veya eGFR'ye göre ek öngörücü değeri daha fazla doğrulanmaya muhtaçtır. Bu nedenle CGR, perioperatif CIE risk stratifikasyonu için keşifsel bir indeks olarak hizmet edebilir.

Bu çalışma, kontrast madde tipinin (ikinci nesil düşük osmolar ile üçüncü nesil izo-osmolar) CIE için anlamlı bir bağımsız öngörücü değere sahip olmadığını saptamıştır (p = 0,982). Bu bulgu, bazı önceki raporlarla tamamen tutarlı değildir. Olası bir açıklama, kimyasal toksisite veya viskozite gibi osmolarite dışındaki faktörlerin kontrast madde nörotoksisitesine katkıda bulunabileceği olabilir; ancak bu yorum spekülatif kalmaktadır ve daha fazla mekanistik doğrulamaya ihtiyaç duymaktadır. Bu yorum, önceki klinik ve mekanistik çalışmalarla desteklenmektedir^31,32. Ayrıca, klinik uygulamada operatörler, yüksek riskli hastalar için tercihen üçüncü nesil izo-osmolar kontrast maddeleri seçebilirler; bu durum, çeşitli kontrast madde tipleri arasındaki olası temel farkları maskeleyebilecek endikasyonla ilişkili potansiyel bir karıştırıcı yanlılık ortaya çıkarabilir.

Bu iş akışının başarılı bir şekilde uygulanması için birkaç kritik protokol adımı vurgulanmalıdır. İlk olarak, hatalı CIE sınıflandırması model eğitimini ve değerlendirmesini doğrudan etkileyeceği için titiz bir sonuç değerlendirmesi esastır. Şüpheli CIE vakaları; kontrast maruziyeti ile semptom başlangıcı arasındaki zamansal ilişki, nörolojik belirtiler, ameliyat sonrası görüntüleme bulguları ve alternatif tanıların dışlanması kullanılarak değerlendirilmelidir. İkinci olarak, toplam kontrast hacmi ve eGFR'nin doğru şekilde çıkarılması ve doğrulanması önemlidir çünkü bu iki değişken CGR hesaplamasını belirler. Üçüncü olarak, hem toplam kontrast hacmi hem de eGFR onaylandıktan sonra CGR, tüm hastalar için aynı kural kullanılarak hesaplanmalıdır. Dördüncü olarak, veri sızıntısını önlemek amacıyla öznitelik seçimi, atama parametresi tahmini, hiperparametre ayarı ve model eğitimi yalnızca eğitim kohortu içinde gerçekleştirilmelidir. Son olarak, CIE nadir görüldüğü ve olay sayısı sınırlı olduğu için model performansı dikkatle yorumlanmalı ve klinik uygulamadan önce harici olarak doğrulanmalıdır³³.

Bu iş akışı diğer ortamlarda uygulanırken çeşitli yöntem modifikasyonları ve sorun giderme stratejileri de göz önünde bulundurulmalıdır. Eksik veri oranı yüksekse, araştırmacılar öncelikle eksikliğin rastgele olup olmadığını belirlemeli ve aşırı eksikliğe sahip değişkenlerin imputasyonundan kaçınmalıdır. CIE olay sayısı çok düşükse, model karmaşıklığı azaltılmalı ve aşırı uyumu (overfitting) önlemek için daha basit veya cezalandırılmış (penalized) modeller tercih edilmelidir. İş akışı başka bir merkeze uygulanacaksa; model eğitimi öncesinde değişken tanımları, kodlama kuralları, eGFR hesaplama yöntemleri, kontrast hacmi kayıt uygulamaları ve görüntüleme inceleme kriterleri harmonize edilmelidir. Dahili veya harici doğrulama sırasında model performansı düşerse; sınıf dengesizliği, veri sızıntısı, tutarsız ön işleme, kararsız özellik seçimi ve hasta vaka karmasındaki farklılıklar gibi potansiyel nedenler incelenmelidir. CIE tanısının belirsiz olduğu vakalar için, model geliştirme öncesinde deneyimli birden fazla klinisyen tarafından hakem değerlendirmesi yapılması ve alternatif tanıların dikkatle dışlanması önerilir.

Bu çalışmanın şu sınırlamaları bulunmaktadır: Birincisi, bu çalışma sınırlı sayıda CIE vakası içeren tek merkezli retrospektif bir tasarım benimsemiştir. Dahil edilen 161 hasta arasında yalnızca 12 CIE vakası görülmüş ve internal test kohortu, çok sınırlı sayıda CIE vakası içeren sadece 33 hastadan oluşmuştur. Bu nedenle, AUC, sensitivite ve spesifite gibi performans metrikleri istikrarsız olabilir ve yalnızca bir veya iki vakanın sınıflandırılmasına karşı yüksek düzeyde hassasiyet gösterebilir. Gelecekte, modelin güvenilirliğini daha fazla teyit etmek için çok merkezli, geniş örneklemli prospektif çalışmalar aracılığıyla eksternal validasyon gerekecektir. İkincisi, bu çalışmada geliştirilen model temel olarak cerrahi öncesinde ve sırasında toplanan rutin klinik değişkenlere dayanmaktadır. Gelecekte, daha dinamik ve kapsamlı bir CIE risk tahmin sistemi oluşturmak için intraoperatif kontrast madde kinetik parametrelerini, erken postoperatif görüntüleme özelliklerini ve seruma özgü biyobelirteçleri daha fazla entegre edebiliriz. Üçüncüsü, CIE'nin düşük insidansı (%7,5), yalnızca 12 CIE vakası ve 149 non-CIE vakası ile belirgin bir sınıf dengesizliğine yol açmıştır. Bu dengesizlik, model performans metriklerinin güvenilirliğini azaltabilir. Non-CIE sınıfının veri setine hakim olduğu durumlarda doğruluk (accuracy), model performansını olduğundan yüksek gösterebilir; sensitivite, spesifite, pozitif öngörü değeri ve negatif öngörü değeri ise çok az sayıda CIE vakasından etkilendikleri için istikrarsız olabilir. Bu nedenle, önerilen model şu an için kesin bir klinik karar verme aracından ziyade, keşifsel bir risk sınıflandırma çerçevesi olarak değerlendirilmelidir. Mevcut çalışmada CIE vakalarının sayısı çok sınırlı olduğu için ek tekrarlamalı çapraz doğrulama veya yeniden örneklemeye dayalı validasyon yapılmamıştır; çünkü bu tür analizler belirgin sınıf dengesizliği altında hala istikrarsız tahminler verebilir. Klinik uygulamadan önce çok merkezli eksternal validasyon ve prospektif değerlendirme gereklidir.

Özetle, bu çalışma birkaç ML modelini sistematik olarak karşılaştırmış ve mevcut veri setinde CIE tahmini için Naive Bayes modelinin en dengeli tanımlayıcı performansı gösterdiğini saptamıştır. Bu model, perioperatif risk sınıflandırması için ön destek sağlayabilir, ancak klinik faydası daha fazla doğrulama gerektirmektedir. Ayrıca bu çalışma, “kontrast madde yükü ve renal klirens” arasındaki dengesizliği nicelleştiren keşifsel bir bileşik metrik olan CGR'yi değerlendirmiştir. CGR, modeldeki en etkili öngördürücülerden biri olarak ortaya çıkmış olup bireyselleştirilmiş perioperatif risk değerlendirmesi için faydalı bilgiler sağlayabilir. Bu bulgular, nörointervansi̇yonel prosedürler uygulanan yüksek riskli hastaların belirlenmesine yönelik hipotezler oluşturmaya yardımcı olabilir, ancak daha geniş örneklemler ve harici doğrulama ile yapılacak ek çalışmalara ihtiyaç vardır. Multimodal öngörücü modellerin CIE risk sınıflandırmasını iyileştirip iyileştiremeyeceğini ve bu komplikasyonun daha kesin önlenmesini ve yönetimini destekleyip destekleyemeyeceğini belirlemek için daha geniş örneklemler ve harici doğrulama içeren gelecek çalışmalara ihtiyaç duyulmaktadır.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Elektronik tıbbi kayıt sistemi	Northern Theater General Hospital	Kurumsal klinik sistem	Retrospektif veri çıkarımı için kullanıldı Demografik ve klinik öykü değişkenlerinin toplanması
Laboratuvar bilgi sistemi	Northern Theater General Hospital	Kurumsal laboratuvar sistemi	Retrospektif laboratuvar verisi çıkarımı için kullanıldı Serum kreatinin, eGFR, lipid profili ve diğer laboratuvar verilerinin toplanması
Dijital subtraksiyon anjiyografi sistemi	Philips	Allura Xper FD 20 (Interventional Workstation R1.3.2 ile)	Rutin klinik prosedürler sırasında kullanıldı Nörogirişimsel işlem ve kontrast kullanımı kaydı
BT Tarayıcı	Philips	Ingenuity CT	Postoperatif görüntüleme değerlendirmesi için kullanıldı Postoperatif kranial BT değerlendirmesi
OnekeyAI yapılandırılmış veri analiz platformu	OnekeyAI	20240916	Araştırma aracı olarak kullanıldı; klinik karar verme sürecinde rolü yoktur Yapılandırılmış veri ön işleme, model oluşturma, model değerlendirme ve şekil oluşturma
Python	Python Software Foundation	3.7.12	Açık kaynaklı programlama dili Veri ön işleme, istatistiksel analiz, model geliştirme ve görselleştirme
scikit-learn	scikit-learn geliştiricileri	1.0.2	Açık kaynaklı Python makine öğrenimi kütüphanesi LASSO, Naive Bayes, SVM, KNN, MLP, ROC analizi ve performans metrikleri