Modelos de aprendizaje automático que integran la calcificación de la arteria intracraneal para predecir los...

Área de la Ciencia:

• Neurología
• Radiología
• Inteligencia artificial

Sus antecedentes:

• La apoplejía isquémica aguda (AIS) con oclusión de la circulación anterior requiere una trombectomía mecánica (MT) oportuna.
• La predicción de los resultados de la MT es crucial para la gestión del paciente y la asignación de recursos.
• La calcificación de la arteria intracraneal (IAC) es un potencial biomarcador de imágenes, pero su valor predictivo para los resultados de MT requiere una investigación adicional.

Objetivo del estudio:

• Evaluar la calcificación de la arteria intracraneal (IAC) como un predictor de imágenes de los resultados de la trombectomía mecánica (MT) en pacientes con ictus isquémico agudo (AIS).
• Desarrollar y validar modelos de aprendizaje automático (ML) utilizando datos preoperatorios para predecir los resultados de MT en pacientes con AIS.

Principales métodos:

• Análisis retrospectivo de 823 pacientes con EIA con oclusión de la circulación anterior sometidos a MT.
• Recopilación de datos clínicos y radiológicos preoperatorios, incluida la evaluación cuantitativa del IAC.
• Desarrollo y validación de 11 algoritmos ML, con interpretación utilizando los valores SHAP.

Principales resultados:

• El modelo Extra Trees ML logró la mayor precisión predictiva.
• Los predictores clave para los resultados de MT incluyeron la historia de hipertensión, la albúmina sérica y el volumen calcificado total.
• El volumen de IAC surgió como un biomarcador crítico de imágenes para predecir el éxito de la MT.

Conclusiones:

• El volumen total de IAC es un predictor significativo de los resultados de MT en el AIS de circulación anterior.
• Los modelos ML que incorporan datos preoperatorios ofrecen una predicción sólida de los resultados de la MT.
• Estos modelos pueden ayudar a los médicos en la selección precisa de candidatos a MT.