文献速递神经介入CTDSA

基线CT显示的皮层萎缩可预测急性缺血性卒中血管内治疗患者的临床结局

Cortical atrophy on baseline computed tomography imaging predicts clinical outcome in patients undergoing endovascular treatment for acute ischemic stroke.
PubMed 文献 · Eur Radiol · 2023-08-15

该回顾性单中心队列纳入1103例大脑中动脉供血区大血管闭塞并接受血管内治疗的患者,用NCCT视觉评分评估年龄相关白质改变和皮层萎缩。皮层萎缩与ARWMC均为90天临床结局的独立预测因子,加入机器学习模型后预测准确度小幅但显著提高。

要点

  • 基线NCCT上皮层萎缩分级越高,90天不良结局或死亡的可能性越大,呈线性增加。
  • 皮层萎缩采用4分视觉量表评估,两位阅片者间ICC为0.706(95%CI 0.673–0.736),重复性良好。
  • 将皮层萎缩与脑室周围ARWMC加入机器学习模型后AUC由0.763(95%CI 0.760–0.766)升至0.775(95%CI 0.772–0.779)。

核心结论

  • NCCT上的皮层萎缩和ARWMC评分是血管内治疗后临床结局的强独立预测因子,其纳入预测模型可显著提高预测准确度。
  • 皮层萎缩可独立预测出院后mRS的改善,且在校正包括介入后指标在内的所有指标后仍有统计学意义(p < 0.001)。
  • 两位阅片者评估皮层萎缩的ICC为0.706(95%CI 0.673–0.736),提示该方法重复性良好。

研究设计与样本

  • 回顾性单中心队列研究,纳入2013年1月至2019年11月在海德堡大学医院神经放射科接受影像检查和血管内治疗的1103例连续大血管闭塞所致急性缺血性卒中患者。
  • 使用64层SOMATOM Definition AS CT扫描仪(Siemens Healthcare GmbH)行NCCT,层厚1 mm(n = 485,43%)和4 mm(n = 1103,100%),采用J40s卷积核迭代重建。
  • 由两名阅片者(放射科住院医师AE,3年经验;神经放射学专科医师UN,8年经验)独立视觉评估ARWMC、既往卒中、Evans指数、第三脑室最大径及4分皮层萎缩量表。
  • 采用多变量逻辑回归、序数逻辑回归及梯度提升机器学习模型(0.632 bootstrap交叉验证,SMOTE校正样本不平衡),以90天mRS ≤ 2或等于病前mRS定义为结局良好。

关键影像表现/征象

  • 皮层萎缩4分量表分级:1级为岛叶和/或额顶区轻度萎缩、脑沟稍明显;2级为中度萎缩、脑沟进一步增宽;3级为全面萎缩、脑沟严重增宽、皮层脑回变薄。
  • 90天结局不良组与良好组相比,基底节ARWMC(p = 0.014)、脑室周围ARWMC(p < 0.001)、皮层萎缩评分(p < 0.001)、Evans指数(p < 0.001)及第三脑室直径(p < 0.001)均更高。
  • 皮层萎缩与年龄仅呈弱至中度相关(rho = 0.434,p < 0.001),与90天mRS亦呈弱至中度相关(rho = 0.360,p < 0.001)。
  • 高血压(p < 0.001)、冠心病(p < 0.05)和心房颤动(p < 0.001)患者的ARWMC与皮层萎缩评分分布显著更高。

诊断标准与关键数值

  • 多变量逻辑回归中,皮层萎缩3级预测90天良好结局的校正OR为0.27(95%CI 0.13–0.54),p < 0.001;脑室周围ARWMC 3级校正OR为0.43(95%CI 0.22–0.85),p < 0.05。
  • 序数逻辑回归中,皮层萎缩3级预测mRS升高的校正OR为3.13(95%CI 1.89–5.37),p < 0.001;ARWMC未达统计学显著(p > 0.05)。
  • 机器学习模型加入皮层萎缩和脑室周围ARWMC后AUC为0.775(95%CI 0.772–0.779),未加入时为0.763(95%CI 0.760–0.766),差异p < 0.001。
  • 两级阅片者评估皮层萎缩的ICC为0.706(95%CI 0.673–0.736)。

临床应用与阅片要点

  • 作者认为,基于NCCT的ARWMC和皮层萎缩视觉评分简单、培训需求低,可纳入现有临床流程和预测模型,以辅助患者筛选和资源分配。
  • 作者指出,该NCCT评分方法在缺乏MRI或专业图像分析工具的小型机构中也可广泛应用。
  • 作者指出,将ARWMC和皮层萎缩加入包含全部基线资料的多模态机器学习模型后,预测性能仅小幅提高。

局限性

  • 尽管样本量大,但采用回顾性、单中心研究设计,需多中心数据集或前瞻性数据进一步研究和验证以确认结果。
  • 评估NCCT萎缩评分重复性时仅有两名阅片者,需更多阅片者的大规模测试以准确评估方法变异性。
  • 机器学习模型未使用测试集或进行外部验证。
  • 未以MRI体积测量验证结果,因缺乏同时接受两种检查的患者队列。
  • 模型未纳入CT灌注数据,因该院仅在部分病例中行CT灌注。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 Aug 15;34(2):1358–66. doi: 10.1007/s00330-023-10107-2

引言

血管内治疗(EVT)是发病24小时内由大血管闭塞所致急性缺血性卒中(AIS)患者的标准治疗方法[1, 2],近期证据提示,即使对于入院时Alberta卒中项目早期CT评分(ASPECTS)较低的患者,该治疗也可能具有潜在疗效[3–5]。

已知多种因素会影响患者治疗后的潜在恢复,尽管成功且及时的血管再通对临床结局有很大影响,但往往不足以单独解释最终的功能状态[6]。除各种临床和治疗参数外,已知患者的病前状态对最终临床结局尤其具有重要影响,在构建预测模型时必须始终加以考虑[7–9]。在临床实践中,卒中前状态通常通过记录患者的功能独立性(即通过改良Rankin量表——mRS)、年龄以及是否存在其他卒中前合并症(例如糖尿病或高血压)来评估。

除上述所有因素外,既往研究还表明,慢性脑退化和脑储备减少对AIS后患者最终恢复具有重要影响,并证实慢性血管损伤和小血管病(SVD)[10–12]的存在与更差的结局和长期恢复相关[12]。皮质萎缩也已被证实对EVT后的临床结局产生负面影响[13–17],并增加卒中后认知功能下降的可能性[18, 19]。考虑到越来越多的证据提示和/或支持在老年患者中也应使用EVT而非药物治疗[20, 21],这些因素尤为重要。

在此背景下,脑萎缩大多通过MRI数据和自动测量进行评估,而这两者在较小中心可能并不容易获得或具有成本效益。此外,尽管既往研究能够证明脑萎缩作为独立预测因素的价值,但并未研究其对结局预测模型的总体影响,尤其是当通过机器学习算法与其他所有可用信息相结合时。

在此,我们在一个大型回顾性单中心数据集中,独立验证了既存SVD和萎缩对AIS患者EVT后临床结局的影响。我们旨在通过基于CT的简单视觉评定量表评估年龄相关白质改变(ARWMC)和皮质萎缩,这些量表可广泛适用于临床实践,并研究其与基线时所有可用信息相结合时对基于机器学习的预测建模的总体相关性。此外,我们还研究了它们对出院后功能状态改善的影响。

方法

本研究经当地伦理委员会批准,并豁免知情同意要求(S-784/2018)。回顾性纳入2013年1月至2019年11月期间在海德堡大学医院神经放射科接受影像学检查和EVT的连续1103例确诊为大血管闭塞(LVO)累及大脑中动脉(MCA)供血区AIS的患者进行分析。

影像学、血管内治疗和临床评估

患者使用64排SOMATOM Definition AS CT扫描仪(Siemens Healthcare GmbH)进行影像检查,方法如先前所述[7]。完整的诊断和介入方法见数据补充。简言之,平扫头颅计算机断层扫描(NCCT)以120 kV和20 mAs的标准初始参数采集,随后使用CARE Dose 4D自动曝光控制系统(Siemens Healthineers)逐层自动调整,并以J40s核(低通滤波器——平滑、软组织核)在1 mm(n = 485,43%)和4 mm(n = 1103例患者,100%)层厚下迭代重建。NCCT于入院时采集,血管内治疗的决定以及重组人组织型纤溶酶原激活剂(rtPA)的给药和剂量由治疗神经科医师和神经介入医师根据国家和国际指南[1, 2]协商后为每位患者个体化制定。随后的EVT使用双平面血管造影系统(Artis Zee Biplane和Artis Q,Siemens Healthineers)进行。所有患者在18至36小时内或临床恶化时更早地在同一扫描仪上进行常规随访NCCT。

既存脑退化的放射学评估

基线NCCT由AE(放射科住院医师,3年经验)和UN(委员会认证的神经放射科医师,8年经验)进行视觉审阅,以确定(i)脑室周围白质和基底节区的年龄相关白质改变(ARWMC)[22],(ii)既往卒中的存在/缺失,(iii)Evans指数[23],以及(iv)第三脑室最大直径。此外,两位阅片者使用四点量表评估皮层萎缩,以随后评估我们方法的观察者间变异性,如图1所示,也基于先前关于该主题的发表文献[24]。简言之,病理分级定义如下:1级——岛叶和/或额顶叶区域轻度萎缩,脑沟稍显突出。2级——中度萎缩,脑沟进一步增宽。3级——全局性萎缩,脑沟严重增宽,皮层脑回变薄。

图1 CT图像上萎缩分级的视觉示例。1级——岛叶和/或额顶叶区域轻度萎缩,脑沟稍显突出。2级——中度萎缩,脑沟进一步增宽。3级——全局性萎缩,脑沟严重增宽,皮层脑回变薄。所有图像窗宽窗位设置为L40/W60 查看原图 ↗

进一步的临床、影像和血管造影参数

临床数据由一名认证的卒中神经科医生收集。研究纳入基线流行病学和临床特征(性别、年龄、病前mRS评分、入院时NIHSS评分、同期静脉rtPA治疗、合并症[高血压、血脂异常、冠心病、心房颤动、糖尿病,包括HbA1c和血糖的血清水平])以及介入血管造影特征(从症状发作至腹股沟穿刺的时间间隔及从腹股沟穿刺至血管再通的时间间隔、由治疗神经介入医师采用改良脑缺血治疗(mTICI)评分评估的再通程度)和介入后临床特征(24小时后NIHSS评分)。阿尔伯塔卒中项目早期CT评分(ASPECTS)通过e-ASPECTS(Brainomix)在1 mm层厚上自动评估,并由AE(具有2年经验的放射科住院医师)和UN(具有8年临床经验的委员会认证神经放射科医师)进行视觉复核[25]。随访NCCT进行视觉评估以确定随访ASPECTS以及是否存在颅内出血(ICH)(根据海德堡出血分类——HBC评分)[26]。通过审查临床数据(如病历)评估神经功能恶化与影像学发现的相关性,以进一步将ICH分类为症状性ICH或无症状性ICH,遵循HBC的操作指南。

功能结局采用90天时mRS评分(mRS90)评估,mRS90 ≤ 2或90天时mRS等于卒中前mRS的患者被归类为“良好”结局。初始住院期间死亡的患者出院时NIHSS评分记为42分。

统计分析

统计分析在R 4.0.3版本中进行。采用Shapiro–Wilk检验对指标进行正态性检验,然后根据指标性质相应使用Wilcoxon检验、t检验或卡方检验。计算组内相关系数(ICC)用于两名专家评估者之间皮质萎缩视觉评估的一致性。使用Spearman's rho评估变量之间的相关性。

采用逻辑回归以及有序逻辑回归评估各种既存脑退化指标对结局的影响,同时调整如下所列的其他协变量。这些指标进一步在机器学习模型中进行测试。简言之,这些模型使用caret包[27]构建,基于梯度提升机器分类器,采用0.632 bootstrap程序进行交叉验证[28],详见数据补充材料。应用合成少数类过采样(SMOTE)以校正样本不平衡。通过ROC曲线评估模型性能,然后使用DeLong检验评估所开发模型性能之间的显著差异。随后通过随机森林变量重要性评估机器学习模型中参数的变量重要性。

在使用逻辑回归、有序回归和梯度提升分类器进行的预测建模中,除ARWMC和皮层萎缩外,数据集中还存在三组指标。基线指标:年龄、性别、卒中侧别(右侧 vs. 左侧)、糖尿病、冠心病(CHD)、高血压、心房颤动、血脂异常、静脉rtPA溶栓治疗、基线NIHSS、病前mRS、基线ASPECTS、基线血糖、基线HbA1c、从卒中发病到首次影像检查的时间

干预后指标:成功再通(是/否)、完全再通(TICI ≥ 2b [是/否])、干预后24小时NIHSS、随访影像中出血的存在、从腹股沟穿刺到最终TICI评分的时间、取栓操作次数、随访ASPECTS

出院后指标:出院时NIHSS、出院时mRS

结果

在整个研究队列中,n = 414例患者(38%)在90天时呈现有利的临床结局,n = 689例患者在90天时结局不利(mRS ≤ 2或与病前相比无变化)。在我们的次要分析中,n = 284例患者(26%)在90天时与出院时收集的mRS相比呈现mRS改善。90天时有利与不利临床结局患者之间的不同临床和流行病学特征列于表1。简而言之,除高血压的有无(p = 1.00)、血脂异常(p = 0.894)以及患者性别分布(p = 0.079)外,两组在所有列出的指标上均呈现显著差异(p < 0.01)。

表2提供了所有测量的既存脑退化指标的分布概况。在此,90天时临床结局不利的患者表现出更高的既往卒中发生率(p = 0.010),以及所有既存脑退化指标的显著差异,包括更高的基底节区和脑室周围ARWMC(分别为p = 0.014和p < 0.001)、更高的皮层萎缩评分(p < 0.001)、Evans指数(p < 0.001)和第三脑室直径(p < 0.001)。

皮层萎缩测量的相关评分者间分析显示ICC为0.706(95% CI 0.673–0.736),呈中等偏高,提示良好的可重复性。ARWMC和皮层萎缩的相关分析显示与患者年龄仅呈弱至中等相关,脑室周围ARWMC的rho = 0.385(p < 0.001),基底节区ARWMC的rho = 0.285(p < 0.001),皮层萎缩的rho = 0.434(p < 0.001)。皮层萎缩与90天时mRS呈弱至中等相关(rho = 0.360,p < 0.001)。

高血压(p < 0.001)、冠心病(p < 0.05)和心房颤动(p < 0.001)患者在ARWMC和皮层萎缩方面的评分分布均显著更高,详见表3,而糖尿病和血脂异常的存在未见显著差异(p > 0.05)。

表1 90天时有利(mRS ≤ 2)与不利(mRS > 2)临床结局患者的流行病学和临床统计。连续变量以中位数(IQR)列出,有序变量以数量(%)列出。在单变量检验中,除高血压和血脂异常的有无外,两个队列在所有列出的指标上均呈现显著差异 查看原表 ↗
表2 90天临床结局良好(mRS ≤ 2)与不良(mRS > 2)患者的既存脑退化指标。连续变量以中位数(IQR)表示,有序变量以数量(%)表示。连续变量采用Wilcoxon秩和检验,分类变量采用卡方检验。 查看原表 ↗
表3 预测血管内治疗(EVT)后90天结局良好与不良的多变量逻辑回归模型。如上所列,ARWMC、皮层萎缩、高血压、基线NIHSS、病前mRS、基线ASPECTS以及从发病到首次影像检查的时间均被证明是临床结局的独立预测因素。LR = 似然比检验。 查看原表 ↗

回归分析

在纳入所有脑退化指标(但不纳入混杂因素)进行探索性多变量逻辑回归后,ARWMC和皮层萎缩成为最相关的预测因素(p < 0.001),被纳入后续预测模型,而其他指标被剔除。

纳入所有临床和影像基线参数的多变量逻辑回归揭示了皮层萎缩(3级调整OR为0.27 [0.13–0.54],p < 0.001)和脑室周围ARWMC(3级调整OR为0.43 [0.22–0.85],p < 0.05)对预测90天良好临床结局均具有独立预测意义,各分级的调整OR及其他结局独立预测因素进一步列于表3。

随后进行有序逻辑回归,旨在预测90天时的有序、非二分类mRS评分,结果再次证明皮层萎缩对独立预测以mRS升高衡量的结局具有相关性(例如3级萎缩的调整OR为3.13 [1.89–5.37],p < 0.001),而ARWMC未达到显著性(p > 0.05),进一步列于补充表S1。图2描绘了基于患者萎缩量表的各mRS分级的累积概率,显示随着萎缩量表的逐步增加,更高mRS评分和死亡(mRS = 6)的可能性呈线性增加。

图2 通过有序逻辑回归计算的、按皮层萎缩评分分组的90天各mRS评分分级(mRS 0–6)累积概率,表明萎缩评分较高的患者更可能出现较差的临床结局,且独立于所有其他纳入变量。 查看原图 ↗

机器学习模型

将皮层萎缩和脑室周围ARWMC同时加入其他可用的基线临床和影像指标后,在交叉验证样本上使用机器学习模型时,预测性能出现了小幅但显著的改善(p < 0.001),AUC为0.775(95% CI,0.772–0.779),而不含ARWMC和萎缩量表时为0.763(0.760–0.766)——ROC曲线见补充图S1。纳入后,ARWMC和萎缩均位列模型使用的前10位预测因素,如补充图S2所示。

我们随后建立了三个多变量逻辑回归模型,用于预测出院后mRS改善情况,分别为(i)基线、(ii)基线+EVT后、(iii)基线+EVT后+出院后指标。如补充表S2所列,尽管加入了干预后甚至出院后指标,在所有测试模型中,皮层萎缩均保持其作为出院后临床改善独立预测因素的相关性(p < 0.001)。

讨论

除再通程度外,多种变量可影响大血管闭塞(LVO)所致急性缺血性卒中(AIS)后的临床结局。在此,我们能够证实,即使对所有其他基线混杂因素进行控制,ARWMC和皮层萎缩均是90天临床结局的独立预测因素,且结局不良或死亡的概率随萎缩严重程度呈线性增加。ARWMC和萎缩与患者年龄仅呈中度相关,但在具有心血管危险因素(即高血压、冠心病(CHD)和心房颤动)的患者中评分显著更高。皮层萎缩的评分使用一种简单且新颖的基于平扫CT(NCCT)的4分量表进行,该量表在我们两位评分者之间显示出良好的观察者间一致性,表明我们的方法具有良好的可重复性。总体而言,将皮层萎缩和ARWMC纳入用于结局预测的机器学习模型后,预测准确性出现了小幅但显著的性能提升,且ARWMC和萎缩均被算法列为前10位预测因素。最后,即使存在所有其他干预后指标,萎缩对出院后mRS的潜在改善仍具有预测作用。

我们的结果与文献中的其他发现一致,这些文献此前已证实萎缩[13–17]以及ARWMC和SVD[9–12, 29]对接受EVT患者最终临床结局的独立预测意义,并支持卒中前脑退化在所有其他所考察参数之外的相关潜在贡献。这进一步印证了长期存在的概念,即脑储备较低的患者在代偿AIS所致损伤方面存在固有劣势[9, 30]。

此外,萎缩对出院后临床改善的预测作用提示,脑萎缩的真正作用可能体现在更长的时间尺度上和/或康复阶段,同时也考虑到众所周知的卒中后认知功能下降,其不可避免地影响部分患者的较晚阶段[18, 19]。

与文献中以往依赖基于MRI和/或自动容积方法评估萎缩的研究[13, 14]相比,我们决定使用一种简单的4分分级量表,在NCCT上视觉评估皮层萎缩。虽然我们的方法在可重复性或准确性上无法与在MRI上执行的自动容积方法相比,但它通过其简便性弥补了这一问题,使其在经过最少训练的情况下可广泛适用于临床实践,最终即使在较小机构中也能增加治疗医生可用的信息量,而这些机构可能无法获得或无法经济有效地配备MRI或具有专用图像分析工具的研究IT基础设施。此外,我们的数据显示,萎缩评分在评估者间具有良好的一致性,提示该方法可被其他机构实施。

尽管如此,我们的数据还显示,在涵盖所有可用基线数据的机器学习模型中,加入ARWMC和萎缩仅带来预测性能的轻微改善,尽管它们具有独立的预测效应。据我们所知,现有文献从未测试过这一方面。总体而言,在AIS的多模态预测建模背景下,由于决定最终结局的复杂多因素交互作用,加入新参数不应期待性能的大幅跃升,而现有模型由于后续治疗、住院和康复过程中存在大量混杂因素,难以提高基线性能[7, 8]。考虑到这些因素,萎缩和ARWMC在纳入我们的模型后取得了显著结果,因为它们使性能进一步超越了此前纳入心血管危险因素和其他病前患者状态指标所能达到的水平,而它们与这些因素不可避免地相关。由于我们基于NCCT的评分系统简便,且AIS患者影像学检查本身可得,ARWMC和萎缩的测量可在大范围内轻松整合到基线患者状态评估中。

我们的研究存在一些局限性。第一,尽管我们纳入了较大的患者样本,但我们使用的是回顾性、单中心研究设计。采用多中心数据集或前瞻性数据进行的进一步研究和验证可能证实我们的结果并提供更确切的证据。第二,虽然我们尝试评估NCCT萎缩评分的可重复性,但我们仅有两位评分者可供使用;有必要进行更大规模、评分者数量更多的测试,以精确评估我们方法的变异性。第三,我们没有使用测试集,也没有对我们的机器学习模型进行外部验证;尽管这在机器学习研究中被视为一个主要缺陷,但我们的目标并非 producing 一个可在其他中心应用的高性能且可重复的工具,而是对ARWMC和萎缩的潜在附加益处进行间接研究。因此,出于本研究的目的,测试样本并非隐含必需。第四,我们没有将我们的结果与MRI体积测量进行验证,因为我们无法获得同时接受了两项检查的患者队列。采用此类设计的进一步针对性研究可能有助于增强我们基于NCCT的评分及其可重复性。最后,我们的模型未纳入来自CT灌注成像的数据,因为该检查在我们机构仅在选定病例中进行;此外,既往研究已证明,在所有其他可用基线信息存在的情况下,CT灌注对结局预测的效用有限[7],以及缺血核心与ASPECTS之间的相关性[31–33]。

总之,在我们的回顾性数据集中,皮层萎缩和ARWMC是EVT后临床结局的强独立预测因子,将它们纳入使用既定参数的预测模型可显著提高预测准确性。此外,皮层萎缩可独立预测出院后mRS的改善。鉴于基于NCCT的简单视觉评分方法,这两个评分均可轻松整合到现有的临床常规和预测模型中,以改善合格患者的选择和资源分配。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 361 KB)

引用

  1. Brugnara G, Engel A, Jesser J, et al. Cortical atrophy on baseline computed tomography imaging predicts clinical outcome in patients undergoing endovascular treatment for acute ischemic stroke. Eur Radiol. 2023. PMID: 37581657. doi:10.1007/s00330-023-10107-2
  2. 全文:PMC10853300(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10853300/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。