文献速递神经介入CT

基于CT影像的功能结局预测模型及血管内取栓获益预测

A CT imaging-based prediction model of functional outcome and benefit of endovascular thrombectomy for ischemic stroke.
PubMed 文献 · Eur Radiol · 2026-01-14

本研究利用7项随机试验的1391例前循环大血管闭塞患者个体数据,开发仅基于基线CT影像特征的模型预测90天功能结局和取栓获益,并与MR PREDICTS比较。CT模型预测良好功能结局的C统计量为0.700,加入年龄和NIHSS后为0.733,略低于MR PREDICTS的0.750;获益预测的C-for-benefit为0.640,加入临床特征后为0.675,与MR PREDICTS的0.692接近。

要点

  • 基线CT影像特征(ASPECTS、闭塞部位、侧支评分、白质病变体积、脑萎缩、颅内动脉钙化亚型)对功能结局有可观预测价值。
  • 仅用CT影像的模型预测良好功能结局C统计量0.700,加入年龄和基线NIHSS后升至0.733,略低于MR PREDICTS的0.750。
  • 脑脆弱性影像特征加入MR PREDICTS可改善模型拟合,但未提升区分度,预测获益的C-for-benefit为0.692 vs 0.692。

核心结论

  • 基线CT影像对功能结局和取栓获益具有可观的预测价值,但临床与影像特征联合预测性能最佳。
  • 仅用CT影像的模型区分度低于MR PREDICTS,加入年龄和基线NIHSS后略低于MR PREDICTS。
  • 脑脆弱性影像特征加入MR PREDICTS可改善模型拟合,但未提供额外的区分度改善。

研究设计与样本

  • 研究类型为基于7项随机对照试验个体患者数据的预测模型开发与内外部交叉验证。
  • 数据来自HERMES协作组7项RCT(MR CLEAN、ESCAPE、EXTEND-IA、SWIFT PRIME、REVASCAT、THRACE、PISTE),共纳入1391例有基线CT影像和结局数据的患者。
  • 患者随机分配至EVT组(n=691)或标准治疗组(n=700)。
  • 预测变量包括基线非增强CT和CT血管造影特征:白质病变体积、脑实质分数、陈旧梗死体积、颅内动脉钙化亚型、ASPECTS、闭塞部位、侧支评分。
  • 参考标准为90天改良Rankin量表(mRS)评分,良好功能结局定义为mRS 0–2。

关键影像表现/征象

  • 良好功能结局患者脑萎缩程度较低(脑实质分数较高),白质病变、陈旧梗死和颅内动脉钙化较少见。
  • 白质病变体积、脑实质分数和颅内动脉钙化亚型是功能结局的显著预测因子,陈旧梗死体积无显著预测作用。
  • 脑实质分数与功能结局呈非线性关联,以80%为拐点分别呈现效应估计。
  • 最终CT影像模型包含ASPECTS、闭塞部位、侧支评分、白质病变体积、脑实质分数和颅内动脉钙化亚型,并纳入EVT与侧支评分的交互项。
  • 白质病变体积、脑实质分数和颅内动脉钙化亚型加入MR PREDICTS后模型拟合显著改善(p值分别为0.03、0.01、0.03)。

诊断标准与关键数值

  • CT影像模型预测序数mRS的汇总C统计量为0.656(95%CI:0.630–0.682),预测良好功能结局(mRS 0–2)的C统计量为0.700(95%CI:0.666–0.731)。
  • CT影像模型预测治疗获益的C-for-benefit为0.640(95%CI:0.586–0.690)。
  • 加入年龄和基线NIHSS后,预测序数mRS的C统计量为0.678(95%CI:0.650–0.707),预测良好功能结局的C统计量为0.733(95%CI:0.699–0.763),预测获益的C-for-benefit为0.675(95%CI:0.627–0.721)。
  • MR PREDICTS预测良好功能结局的C统计量为0.750,预测获益的C-for-benefit为0.692。
  • CT影像模型与MR PREDICTS比较:良好功能结局delta C为−0.050(95%CI:−0.078至0.022);加入年龄和NIHSS后delta C为−0.017(95%CI:−0.037至0.003);获益预测delta C-for-benefit分别为−0.052(95%CI:−0.099至0.005)和−0.017(95%CI:−0.084至0.050)。

临床应用与阅片要点

  • 基线CT影像特征(ASPECTS、闭塞部位、侧支评分、白质病变体积、脑实质分数、颅内动脉钙化亚型)可用于取栓决策时评估功能结局和获益概率。
  • 仅用CT影像的模型区分度低于MR PREDICTS,加入年龄和基线NIHSS后预测性能接近MR PREDICTS。
  • 研究所用分割算法尚未开发用于急性卒中临床场景,目前不能像MR PREDICTS那样用于常规临床实践。

局限性

  • 模型基于基线CT扫描开发和验证,不直接适用于以MRI作为基线影像的患者。
  • 患者按选择性试验标准入组,尤其涉及卒中前mRS、基线NIHSS、ASPECTS和侧支状态。
  • CT灌注仅34%的HERMES患者可用,故未将CT灌注参数纳入模型。
  • 不同试验留出验证时区分度和校准存在变异,反映病例组合和基线良好功能结局概率的差异。
  • 研究所用分割算法未针对急性卒中临床使用开发,尚不能用于常规临床实践,需进一步工作开发和实施这些方法。
全文中译9 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. 2026 Jan 14;36(6):4851–61. doi: 10.1007/s00330-025-12207-7

引言

尽管在具有里程碑意义的随机临床试验(RCT)1中,血管内取栓术(EVT)对前循环大血管闭塞(LVO)缺血性卒中患者群体的功能结局具有很大的有益作用,但个体患者的获益差异很大。所有接受EVT的患者中约有一半在EVT后未能达到功能独立,这突出表明需要更好地识别最可能从EVT中获益的患者并避免无效治疗[1]。

在大多数国家,基线CT成像(包括平扫CT和CT血管造影)是缺血性卒中诊断检查的基石。除用于诊断外,基线CT成像还可能包含有关患者预后和个体患者EVT获益的重要信息。已开发出众多预测模型,纳入了与功能结局相关的卒中相关影像学特征,从而也包含了关于EVT潜在获益的信息[2]。这包括阿尔伯塔卒中项目早期CT评分(ASPECTS)、闭塞部位和侧支循环评分[3]。有趣的是,预先存在的亚临床脑脆弱性的影像学特征,如白质病变(WML)、脑萎缩、陈旧性梗死和颅内颈动脉钙化(ICAC),迄今为止尚未被考虑,但这些特征均与缺血性卒中EVT后的不良结局相关[4-7]。这些脑脆弱性影像学特征可能为预测功能结局和EVT获益提供独特的额外信息。

由于CT成像已很好地应用于缺血性卒中患者的常规诊断流程中,利用这一信息进行结局预测高度可行且仅需单一数据来源。此外,正在开发图像处理方法以定量和自动化的方式提取预后影像学特征。相比之下,现有预测模型如MR PREDICTS需要卒中医师在EVT决策时收集有关患者病史、实验室检查、工作流程和影像学的信息[2, 8]。

因此,我们旨在研究仅基于基线CT成像对功能结局和EVT获益的预测价值。此外,我们试图研究亚临床脑脆弱性的各个CT影像学特征的预后和预测价值。为此,我们比较了仅纳入CT成像数据的预测模型与基于临床和影像学数据组合的MR PREDICTS模型的性能。

材料与方法

我们首先开发并验证了仅基于基线CT影像学特征预测功能结局和EVT获益的模型,然后结合年龄和基线美国国立卫生研究院卒中量表(NIHSS)评分。我们将这些模型的预测性能与现有MR PREDICTS模型作为参考进行比较。其次,我们确定脑脆弱性影像学特征是否在MR PREDICTS所纳入的临床特征和卒中相关影像学特征之外提供了独特的额外预测价值。

研究设计与参与者

我们使用了高效再灌注评估多血管内卒中试验(HERMES)协作的汇总数据,包括来自七项随机对照试验(MR CLEAN [9]、ESCAPE [10]、EXTEND-IA [11]、SWIFT PRIME [12]、REVASCAT [13]、THRACE [14]和PISTE [15])的个体患者数据(n = 1764)。所有七项试验均比较了血管内治疗(EVT)(干预组)与单纯标准治疗(对照组)在前循环大血管闭塞(LVO)所致缺血性卒中患者中的疗效(n = 1764)。在本分析中,我们使用了1391例具有结局数据和基线CT影像数据的患者资料,这些患者被随机分配至EVT组(n = 691)或标准治疗组(n = 700;补充图1)。所有患者均按照各试验方案提供书面知情同意,每项研究均获得当地伦理委员会批准[1]。

结局指标

随机化后90天的功能结局采用改良Rankin量表(mRS)评估,该量表为从0(无症状)到6(死亡)的有序量表[16]。在所提出的基于CT影像的模型和MR PREDICTS中,mRS被建模为完整的有序量表,我们随后从预测分布(mRS 0–6)中提取良好功能结局(mRS 0–2)的概率。我们将治疗获益定义为接受与未接受EVT时良好功能结局概率之间的差值(图1)。

图1 使用不同模型预测良好功能结局(mRS评分0–2)和治疗获益(接受与未接受EVT时mRS 0–2概率的差值)的示例 查看原图 ↗

预测变量评估

我们在基线平扫CT上评估了白质病变(WML)、脑萎缩、陈旧性梗死和颅内动脉钙化(ICAC)亚型。WML体积、脑萎缩和陈旧性梗死体积使用自动分割算法进行定量评估(图2;详见补充材料)。WML和陈旧性梗死体积使用基于既往专家分类的多分类U-Net分割模型确定。该方法可在平扫CT扫描上自动量化WML和陈旧性梗死的体积[17, 18]。我们仅在对侧半球测定WML体积,因为WML和早期缺血性改变在CT上均表现为脑组织低密度,可能导致同侧半球WML体积被高估。由于WML负荷的半球间相关性较高,这被认为是一种有效的方法[19]。我们使用CTSeg通过测量全脑体积相对于颅内体积的比例(以脑实质分数(BPF,%)表示)来确定脑萎缩。CTSeg是SPM12统一分割算法的扩展,具有多项增强功能,包括改进的配准、高斯混合模型参数的先验信息以及从MRI和CT学习得到的图谱[20, 21]。全脑体积计算为灰质(GM)和白质(WM)之和,颅内体积计算为GM、WM和脑脊液(CSF)之和。我们使用先前验证的视觉评分方法评估卒中侧颅内颈动脉是否存在ICAC及其亚型。该方法使用特定权重评估钙化的圆形度、厚度和形态,ICAC亚型分类为无钙化、内膜型ICAC或中膜型ICAC[22]。各脑脆弱性变量所评估扫描数量的数据见补充图1。

用于分析的其它预测变量数据此前已在HERMES [1]中收集。卒中相关影像学变量数据,包括ASPECTS、闭塞部位和侧支循环评分,此前已由独立的HERMES核心实验室评估,评估者对除卒中侧别外的所有临床信息均设盲 [3]。

图2 两名个体患者基线平扫CT分割示例。A 左侧大脑中动脉M1段闭塞患者。B 右侧大脑中动脉M1段闭塞患者。无症状半球白质病变(WML)体积以绿色显示,总脑体积(TBV)以红色显示,颅内体积(ICV)以蓝色显示。脑萎缩确定为TBV相对于ICV的比例,以脑实质分数(BPF,%)表示。陈旧梗死体积以品红色显示 查看原图 ↗

统计分析

首先,我们评估了脑脆弱性影像学特征与90天功能结局的关联。使用限制性立方样条评估WML体积、BPF和陈旧梗死体积的非线性。我们还分别使用乘法交互项检验了每个脑脆弱性特征对EVT的潜在效应修饰作用。只有当交互项具有统计学显著性(p < 0.05)且具有生物学合理性,或仅基于强的生物学合理性时,才将交互项加入基于CT影像的预测模型。这是因为数据驱动的交互项纳入会使模型易于过拟合并夸大治疗效果的异质性 [23]。

其次,我们构建了一个多变量有序预测模型,纳入仅来源于基线平扫CT和CT血管成像的预测变量,包括WML体积、BPF、陈旧梗死体积、ICAC亚型、ASPECTS、闭塞部位和侧支循环评分。然后我们通过后退法简化该模型,剔除多变量分析中p值 > 0.20的变量。我们在基于影像的模型中扩展加入了年龄和基线NIHSS评分,这两个是已知最强的功能结局预测因素 [24, 25]。我们加入年龄以检验实际年龄作为生物学年龄的衡量指标是否较脑脆弱性提供额外的预测价值。

第三,我们通过使用留一研究法的内部-外部交叉验证评估了模型性能[26]。通过这种方式,模型在所有可用的随机对照试验(RCT)中开发,除了一个被留出作为验证队列。我们重复这一过程,直到HERMES中的每个RCT都被留出一次,从而产生七个模型性能估计值。该方法确保所有可用数据用于模型开发,并允许评估队列特异性效应以及模型的泛化能力。我们使用Harrell's C统计量评估模型的区分性能。对于有序结局的预测,C统计量通过随机选择患者对并评估观察到的mRS评分较高的患者是否也具有较高的预测mRS评分来计算。通过这种方式,C统计量衡量在随机选择的一对患者中,观察结局水平较高者 também具有较高预测概率或评分的概率,与排序一致。对于校准,我们构建了校准图,显示良好功能结局的预测概率与观察概率,并量化了校准斜率和截距。

第四,我们计算了C-for-benefit,这是一种专门开发用于衡量模型预测治疗获益区分能力的指标[27]。该指标表示从两个随机选择的观察治疗获益不相等的匹配患者对中,观察获益较大的对子也具有较高预测获益的概率。需要注意的是,两种反事实治疗策略(即血管内治疗(EVT)与标准治疗)的效果在个体患者中本质上是不可观察的。因此,我们将观察治疗获益定义为在基线特征匹配但治疗分配不一致(1:1比例)的患者对中良好功能结局概率的差异。我们使用获益校准图视觉评估预测治疗获益与观察治疗获益之间的一致性,并量化平均预测获益与平均观察获益之间的差异,定义为平均校准。

第五,我们确定脑脆弱性是否为MR PREDICTS提供了附加预测价值,该模型包括以下基线临床和影像变量:年龄、NIHSS评分、卒中前mRS、糖尿病、收缩压、静脉阿替普酶治疗、血糖水平、ASPECTS、闭塞部位、侧支循环评分以及从卒中发作到腹股沟穿刺的时间[8, 28]。我们依次添加每个脑脆弱性变量,并基于似然比检验评估模型拟合是否改善(p < 0·05)。在模型拟合改善的情况下,我们还评估了模型性能是否改善[29]。

最后,七个交叉验证集中的性能指标使用随机效应荟萃分析进行合并,并报告为点估计值及相应的95%置信区间(CI)。通过计算一致性统计量的差异(delta C和delta C-for-benefit)比较模型区分性能的差异,95% CI通过使用自举法抽取500个有放回随机样本获得。

缺失的预测变量采用多重插补法进行填补(n = 5)。分析结果按照个体患者预后或诊断的多变量预测模型透明报告(TRIPOD)指南进行报告[30]。统计分析在R语言(版本4.1.1)中完成,使用Hmisc、Rms、CalibrationCurves、HTEPredictionMetrics、meta和forest程序包。

结果

在90天时,分配至血管内治疗(EVT)组的315/691例(45.6%)患者和分配至标准治疗组的195/700例(27.9%)患者获得了良好的功能结局(表1)。功能结局良好的患者脑萎缩程度较低(表现为较高的脑实质分数(BPF)),且较少出现白质病变(WML)、陈旧性梗死和颅内动脉钙化(ICAC)(表1)。脑脆弱性特征在较高年龄中更为普遍;按年龄每增加一个四分位数,患者更可能出现WML、陈旧性梗死和ICAC,后者尤其以内侧亚型为主(补充表1)。此外,我们观察到随着年龄增长,WML体积呈非线性增加,BPF呈非线性下降(补充图2)。

WML体积、BPF和ICAC亚型在单变量分析(补充表2)和多变量分析(表2)中均为功能结局的显著预测因子,但未发现陈旧性梗死体积的显著效应。在多变量分析中,BPF与功能结局之间呈非线性关联。因此,我们将BPF作为非线性预测因子加入模型,为便于解读,分别在拐点80%上下呈现效应估计值(表2和补充图3)。最终的基于CT成像的模型包括ASPECTS、闭塞部位、侧支循环评分、WML体积、BPF和ICAC亚型。与MR PREDICTS的开发保持一致,我们在基于CT成像的模型中纳入了EVT与侧支循环评分之间的交互项。未考虑进一步添加交互项,因为我们未发现EVT受BPF(p = 0.64)、WML体积(p = 0.64)或ICAC亚型(p = 0.73)效应修饰的证据。

在内部-外部交叉验证中,基于CT成像的模型预测有序mRS的合并C统计量为0.656(95% CI:0.630–0.682),预测良好功能结局的合并C统计量为0.700(95% CI:0.666–0.731)(表3)。MR PREDICTS的区分度高于我们的基于CT成像的模型(C统计量0.750;ΔC,−0.050 [95% CI:−0.078至0.022])。在基于CT成像的模型中加入年龄和基线NIHSS后,预测有序mRS的C统计量提高至0.678(95% CI:0.650–0.707),预测良好功能结局的C统计量提高至0.733(95% CI:0.699–0.763)。扩展后的基于CT成像的模型在预测良好功能结局方面的区分度略低于MR PREDICTS(ΔC,−0.017 [95% CI:−0.037至0.003])(图3)。

所有模型的预测结局与观察结局之间的一致性相当(表3)。合并估计显示存在一致的校准不良,即预测获得良好功能结局的患者比例低于实际观察到的比例。然而,各试验之间存在一定的异质性(补充图4–6)。

我们的基于CT成像模型的获益C指数(C-for-benefit)合并值为0.640(95% CI:0.586–0.690),用于预测治疗获益,与MR PREDICTS相比更低(获益C指数0.640 vs 0.692;获益C指数差值−0.052 [95% CI:−0.099至0.005])。在将年龄和基线NIHSS扩展纳入基于CT成像的模型后,获益C指数提高至0.675(95% CI:0.627–0.721),与MR PREDICTS相比略低(获益C指数差值−0.017 [95% CI:−0.084至0.050])。所有模型中,平均预测治疗与观察治疗之间的一致性相当(表3和补充图7–9)。

将WML体积(p = 0.03)、BPF(p = 0.01)和ICAC亚型(p = 0.03)加入MR PREDICTS后,显著改善了模型拟合。然而,扩展模型的合并判别性能在预测结局(C统计量0.748 vs 0.750,C差值−0.002 [95% CI:−0.013至0.008])和EVT获益(获益C指数0.692 vs 0.692;C差值0.000 [95% CI:−0.069至0.066])方面与参考MR PREDICTS模型仍相当。

表1 按功能结局良好(mRS 0–2)与不良(mRS 3–6)分层的患者特征 查看原表 ↗
表2 HERMES中各模型的主要预测因素效应(n = 1391) 查看原表 ↗
图3 采用留一研究法进行内部-外部交叉验证的结果图。各单个试验中不同模型的C统计量及相应95%置信区间,以及使用随机效应荟萃分析估计的全部7个交叉验证集的合并估计值,用于(A)预测有序mRS和(B)预测功能结局良好(mRS 0–2) 查看原图 ↗
表3 不同模型对功能结局和治疗获益的预测性能估计 查看原表 ↗

讨论

我们的基于CT成像的模型在预测功能结局和EVT获益方面具有实质性判别能力,但低于MR PREDICTS。在将年龄和基线NIHSS扩展纳入基于CT成像的模型后,预测准确性提高,仅略低于MR PREDICTS。在MR PREDICTS中纳入脑脆弱性特征改善了模型拟合,但在提高判别能力方面未提供附加预测价值。

我们基于CT成像的模型在预测功能结局和EVT获益方面低于MR PREDICTS,但仅纳入6个变量,且均来自单一数据源,即基线CT成像,而在疑似急性LVO卒中中当CT作为主要成像方式时几乎总会进行该检查。相比之下,MR PREDICTS纳入11个变量,包括来自病历、实验室检测、工作流程和基线CT成像的信息[8, 28]。这可能限制该模型的临床实用性,因为在EVT决策时需要收集关于患者病史、实验室检测、工作流程和基线CT成像的大量信息。在仅以年龄和基线NIHSS这一有限临床信息扩展我们基于CT成像的模型后,模型区分度得到改善,且仅略低于MR PREDICTS。年龄和基线NIHSS通常可在进行基线CT成像之前或之后很短时间内获得,使这些变量可作为所提出的基于CT成像的预测模型的额外输入。通过将CT灌注(CTP)参数与受累脑区 eloquent 性的信息一并加入,可能进一步改善我们基于CT成像的模型[31, 32]。然而,由于在HERMES中汇总的患者中仅34%可获得CTP,本研究未考虑将CTP参数加入我们基于CT成像的模型[3]。此外,由于与非增强CT和CTA相比,CTP的使用较不广泛,加入CTP参数会降低模型的普适性。

当留出不同试验进行验证时,在区分度和校准方面观察到一些差异。除真实预测因子效应和机会的差异外,模型性能的这种异质性反映了各试验之间病例构成和良好功能结局基线概率的差异,主要由不同的患者选择标准所致。一般而言,选择标准更宽泛的试验具有更大的病例构成变异,使模型更容易区分低风险和高风险患者,表现为更高的C统计量。同样,在本研究中,观察到的校准不良变异,尤其是截距,反映了HERMES内各试验之间达到良好功能结局的患者比例差异,范围为26%至56%。

尽管将脑脆弱性变量加入MR PREDICTS后,通过似然比检验评估的模型拟合有所改善,但区分能力保持不变。因此,此处评估的脑脆弱性影像特征与MR PREDICTS中已纳入的临床和卒中相关影像变量相比,似乎并未提供增量预后价值。在MR PREDICTS已纳入的因素之外,识别能提供实质性额外预测价值的其他基线因素是一项具有挑战性的任务。这是因为功能结局不仅由入院时已知的因素决定,还由在决定实施血管内治疗(EVT)之后、90天功能结局评估之前随时间发生的(术后)操作相关因素决定[33]。最重要的是再灌注质量以及肺炎和症状性颅内出血等不良事件的发生[24, 25]。然而,由于当前模型拟用于决定实施EVT时的决策阶段,这些信息尚不可知。

所提出的基于CT影像的模型需要不同分割算法的输出。然而,我们此处使用的算法并非为急性卒中临床场景开发,因此与MR PREDICTS不同,尚不能用于常规临床实践。首先需要开展更多工作,将这些方法开发和实施到急性卒中影像工作流程中,正如已为提供ASPECTS自动实时评估、闭塞检测和侧支循环评分的软件工具所做的那样。探索基于深度学习的方法也可能有价值,特别是以原始CT影像数据为输入、无需事先人工特征提取的端到端深度学习方法[34, 35]。未来的工作——最好是能够获取更大、更近期数据集的工作——应确定此类努力的潜在优势和可行性。

本研究的优势包括使用了一个大型患者队列,患者被随机分配至血管内治疗(EVT)组与标准治疗组,数据汇总自七项随机对照试验(RCT)。此外,我们使用自动分割方法定量测定脑萎缩、白质病变(WML)负荷及陈旧性梗死范围。通过这样做,我们以连续尺度而非使用视觉评估方法(如WML的Fazekas量表或脑萎缩的全局皮质萎缩量表)时的离散尺度来确定这些变量的效应。使用这些离散量表通常被认为不利于预测,因为其需要使用任意截断值对患者进行分层,从而导致重要预测信息的潜在损失[36]。还必须考虑本研究的局限性。我们使用基线CT扫描开发并验证了基于CT影像的模型。因此,该模型不直接适用于基线影像采用MRI检查的患者。然而,在大多数机构中,CT是疑似大血管闭塞(LVO)卒中患者诊断的首选影像学方法。此外,颅内动脉钙化(ICAC)在非增强CT上易于评估,但在用于疑似卒中患者的常规MRI方案所包含的序列上则不易评估。其次,我们使用的是根据选择性试验标准招募的患者数据,特别是在卒中前改良Rankin量表(mRS)评分、基线美国国立卫生研究院卒中量表(NIHSS)评分、ASPECTS及侧支循环状态方面。因此,纳入本分析的患者并不能完全反映常规临床实践中遇到的全部缺血性卒中患者。此外,由于新设备的研发、新治疗技术的出现、更有经验的(神经)介入医师以及更好的再通率,当今的临床实践可能与HERMES中RCT实施时期不可比拟。因此,当前评估的预测模型的性能指标可能无法推广至常规被HERMES内RCT排除的患者亚组或当今的临床实践,特别是卒中前存在残疾、低NIHSS评分以及影像学特征不理想(例如低ASPECTS和不良侧支循环)的患者。尽管后一类患者组可根据正在开展的大核心梗死试验的个体患者数据荟萃分析对预测模型进行进一步优化。

我们证明基线CT影像蕴含相当多的信息,可用于预测良好功能结局及EVT的获益。我们基于CT影像的模型的预测准确率低于已建立的MR PREDICTS模型。然而,在加入治疗决策时几乎总是可获取的两项关键临床特征(年龄和NIHSS)后,预测准确率接近MR PREDICTS。最后,脑脆弱性影像特征与EVT后更差的功能结局相关,但不改变EVT对功能结局的效应,也不在MR PREDICTS所纳入的临床和卒中相关影像特征之外提供独立的附加预测价值。

补充信息

补充信息

引用

  1. Luijten SP, Ganesh A, Marcus AP, et al. A CT imaging-based prediction model of functional outcome and benefit of endovascular thrombectomy for ischemic stroke. Eur Radiol. 2026. PMID: 41533062. doi:10.1007/s00330-025-12207-7
  2. 全文:PMC13212636(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13212636/

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。