定量的脳血管解析による脳卒中後合併症の予測精度向上

科学分野:

• 神経学
• 医用画像処理
• 機械学習

背景:

• 血管内血栓回収療法（EVT）は急性虚血性脳卒中（AIS）の治療を進歩させてきました。
• 多くのAIS患者は、EVT後の合併症により依然として予後不良に直面しています。
• ハイリスク患者を早期に予測することは、重要な未解決のニーズです。

研究 の 目的:

• EVT後の合併症および転帰を予測するための機械学習（ML）モデルを開発および検証する。
• 定量的な脳血管形態を臨床データおよび画像データと統合する。
• 患者管理の改善のために精密なリスク層別化を可能にする。

主な方法:

• EVTを受けた727人のAIS患者の前向き収集データベースを利用した。
• 血管形態計測、臨床、検査、および画像データを組み込んだMLモデルを開発した。
• 早期神経学的悪化、症候性頭蓋内出血、悪性脳浮腫、および気管切開/胃瘻造設術の必要性を予測した。

主要な成果:

• 血管の蛇行性や直径減少などの形態学的特徴は、合併症と強く相関していました。
• 形態情報（MI）MLモデルは、END、sICH、MBE、およびTC/PEGの予測において、ベースライン臨床（BC）モデルを有意に上回りました。
• MIモデルは、END（0.81対0.73）、sICH（0.68対0.56）、MBE（0.67対0.56）、およびTC/PEG（0.66対0.58）でAUROCの改善を示しました。

結論:

• 脳血管構造は、標準的な評価を超えて、重要な予測情報を提供します。
• 血管測定値の自動解析により、予後モデルへの客観的な統合が可能になります。
• このアプローチは、EVT後のケアと精密リスク層別化のためのスケーラブルなツールを提供します。