使用多参数MRI对中风的结果评估:整合心脏病发作位置,放射学和全球大脑脆弱性

科学领域:

• 神经学 神经学
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 评估前部循环大血管封闭 (LVO) 中风的90天功能结果与传统方法具有挑战性.
• 单维数据模型的预测能力有限,需要多维整合策略来进行增强的评估.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于预测LVO中风的90天功能结果.
• 该模型整合了放射学,心脏病发作位置,大脑脆弱性和临床变量,以进行全面的患者评估.

主要方法:

• 一项回顾性研究,涉及5个中心 (2018-2023) 的1051名前部循环LVO中风患者.
• 数据包括T1WI,T2WI,FLAIR和DWIMRI序列;心脏病发作的位置 (阿尔伯塔中风计划早期CT得分);以及大脑脆弱度指标 (缩,WMH,老心脏病发作).
• 最小绝对收缩和选择运算符 (LASSO) 回归用于特征选择,统计分析包括AUC,决策曲线分析和校准曲线.

主要成果:

• 集成的ML模型表现出高于单维模型的性能,AUC为0.87 (训练),0.84 (内部验证) 和0.86 (外部验证).
• 合并模型在外部验证队列中实现了0.80的灵敏度和0.80的特异性.
• 关键的预测特征包括晶状核损伤负担,白质超强度 (WMH) 和M6区域损伤负担.

结论:

• 整合心脏病发作位置,大脑脆弱性,放射学和临床特征显著提高了90天LVO中风的结果评估.
• 开发的模型为管理LVO中风患者的临床医生提供了一个可解释和个性化的预后工具.