文献速递神经外周血管CT

预测长期复发性缺血性卒中:非增强CT、CT灌注和CT血管成像的附加价值

Prediction of long-term recurrent ischemic stroke: the added value of non-contrast CT, CT perfusion, and CT angiography.
PubMed 文献 · Neuroradiology · 2020-08-28

本研究基于荷兰急性卒中研究(DUST)三个中心的638例缺血性卒中患者,评估在临床风险因素模型中加入CT影像数据能否改善5年卒中复发预测。随访5年期间56例(9%)复发。包含非增强CT上既往脑梗死和CT灌注平均通过时间图上ASPECTS大于7的扩展模型,其c统计量为0.65,高于临床模型的0.61(P=0.01),净重分类改善和综合判别改善指数均显著提高。

要点

  • 非增强CT上既往脑梗死和CT灌注平均通过时间图ASPECTS大于7是5年复发性缺血性卒中的独立影像预测因子。
  • 在临床模型基础上加入上述两项CT预测因子后,c统计量从0.61升至0.65(P=0.01)。
  • 平均通过时间图上ASPECTS较高(大于7)与复发风险增加相关,原文称此发现令人意外,需进一步验证。

关键影像表现/征象

  • 非增强CT显示既往脑梗死是复发性缺血性卒中的影像预测因子,可补充病史采集未能发现的沉默性脑梗死信息。
  • CT灌注平均通过时间图上ASPECTS大于7与复发风险增加相关,原文称此关联令人意外,尚不能区分梗死面积与多发梗死的影响。
  • CT血管成像上的不良侧支循环似乎不是复发性卒中的重要预测因子,原文认为可能与不良侧支患者数量少导致把握度不足有关。

诊断标准与关键数值

  • 临床模型(男性、高脂血症史、卒中或短暂性脑缺血发作史)的c统计量为0.61。
  • 扩展模型(临床因素加非增强CT既往脑梗死和CT灌注平均通过时间图ASPECTS大于7)的c统计量为0.65,与临床模型比较P=0.01。
  • 复发组净重分类改善为0.40(95%CI −0.04至0.73),非复发组为0.04(95%CI −0.13至0.54),总净重分类改善为0.44(95%CI 0.14至0.74)。
  • 综合判别改善指数为0.03(95%CI 0.01至0.09)。
  • 临床模型校准斜率为0.70,扩展模型为0.72。

临床应用与阅片要点

  • 在急性缺血性卒中入院CT评估中,除诊断目的外,可关注非增强CT上的既往脑梗死及CT灌注平均通过时间图ASPECTS,用于辅助长期复发风险分层。
  • 原文指出该模型性能仍为中等,在用于常规卒中诊疗前尚需在独立队列中验证预测因子并进行外部验证。

局限性

  • 随访数据为回顾性收集,可能低估结局发生率,如其他医院的复发事件可能被遗漏。
  • 结局事件数相对较少(56例复发),限制了扩展模型可纳入的预测因子数量(不超过五个)。
  • 仅选取14个DUST中心中的3个中心,构成上述局限之一。
  • 未收集心力衰竭作为潜在预测因子,而既往研究显示其有预测价值。
  • TOAST分类在初始入院阶段确定,31%病例卒中病因未知,该分析结果需谨慎解读。
全文中译10 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:Neuroradiology. 2020 Aug 28;63(4):483–90. doi: 10.1007/s00234-020-02526-5

背景

复发性卒中约占所有发生卒中的四分之一,并对患者的长期预后具有重要影响[1]。复发性缺血性卒中的1年发病率估计在8%至14%之间[2, 3]。复发性缺血性卒中的风险估计可通过使用预测模型来实现。

许多复发性缺血性卒中的临床预测因素已被研究。对于有限数量的因素已建立了强有力的证据,包括索引卒中之前的卒中史和卒中亚型[4]。其他因素如年龄、性别、高血压、糖尿病、高脂血症、吸烟、心肌梗死病史、心房颤动病史和外周动脉疾病病史在某些研究中被提示为复发性缺血性卒中的预测因素,但在其他研究中则不然[4]。

CT通常是诊断急性缺血性卒中的首选影像学方法,主要归因于其高可及性和无禁忌证[5]。先前确定的复发性缺血性卒中的影像学预测因素包括非增强CT(NCCT)上的急性缺血、CT血管造影(CTA)上的闭塞或狭窄以及CTA上侧支循环供血不良[6, 7]。此外,磁共振成像(MRI)衍生的预测因素如多发性缺血病灶已被证明对临床模型具有附加价值[4, 8, 9]。

临床预测模型已在一项系统综述和荟萃分析中进行了总结[10]。这些模型的区分性能为中等[10]。大多数模型是为预测初始卒中后不超过90天或1年的缺血性卒中复发而开发的,而缺血性卒中可能在初始卒中后长达5年及更长时间后复发[11]。据我们所知,唯一为预测5年缺血性卒中复发而开发的模型是在年轻卒中患者中开发的。在成年患者中预测5年复发性卒中此前尚未被研究,且CT衍生预测因素的附加价值尚不清楚。因此,我们试图开发一个纳入临床危险因素的模型来预测缺血性卒中患者的5年复发性缺血性卒中,并确定在5年随访期间加入CT衍生预测因素是否能改善对复发性缺血性卒中的预测。

方法

研究人群

所有患者均参与了荷兰急性卒中研究(DUST),这是一项在荷兰开展的前瞻性多中心观察性队列研究。DUST旨在评估CT灌注(CTP)和CTA在预测90天后临床结局方面的预后价值,此外还包括患者特征和NCCT表现。有关参与者设计和基线特征的详细描述已在其他地方描述[12, 13]。该研究获得了荷兰乌得勒支大学医学中心医学伦理委员会的批准。

本研究基于三个最大的DUST中心:乌得勒支大学医学中心;莱顿大学医学中心;以及位于尼沃海恩的圣安东尼乌斯医院。患者于2009年至2013年间入组。额外的5年随访数据通过2018年6月评估病历收集。在所选三个DUST中心最初入组的766名患者中,38名患者的影像学数据不完整。此外,我们排除了90名基线时未诊断为缺血性卒中的患者。剩余样本包括638名患者。

基线评估

收集了以下基线数据:人口统计学资料(年龄和性别)、卒中前改良Rankin量表(mRS)、索引事件的特征(美国国立卫生研究院卒中量表[NIHSS]、急性卒中治疗ORG 10172试验[TOAST]分型)、从症状发作到CT扫描的时间、静脉溶栓、血管内治疗以及血管危险因素[14]。影像数据从DUST数据库中提取。在DUST中,获取的图像由一位在神经血管影像方面具有至少5年经验的观察者(从三名观察者中选取)进行评估[12]。观察者对临床信息(症状侧别除外)、随访影像和临床结局设盲。影像数据包括NCCT表现,如高密度血管征以及前循环或后循环的Alberta卒中项目早期CT评分(ASPECTS)。CTA表现包括是否存在闭塞、血栓负荷评分(CBS)、侧支评分(CS)和颈内动脉(ICA)狭窄[15–17]。此外,ASPECTS在脑血容量和平均通过时间图上确定,这些图由CTP衍生而来[18]。CTP覆盖范围根据临床指征进行调整[12]。CTP覆盖范围从40 mm到全脑覆盖,至少包括两个ASPECTS层面。如果预期为后循环卒中,则调整CTP覆盖范围以覆盖所有三个pc-ASPECTS层面。

候选预测因素

所有候选预测因素均基于两项系统文献综述的结果进行选择[4, 10]。人口统计学因素包括年龄和性别。生活方式因素包括目前吸烟。临床特征包括入院时的NIHSS评分(连续变量)和TOAST分型。健康变量包括高血压、糖尿病、高脂血症、心肌梗死病史、心房颤动病史、外周动脉疾病病史以及短暂性脑缺血发作(TIA)或缺血性卒中病史。

影像特征包括NCCT上的既往脑梗死、NCCT上的高密度血管征、CTA上ICA狭窄> 70%、CTA上的侧支评分(差 versus 好)以及脑血容量和平均通过时间图上的ASPECTS(> 7 versus ≤ 7)[17, 19, 20]。

复发性缺血性卒中

随访数据基于医院就诊(如随访就诊或住院)或沟通(如电话或通信),并从病历中提取。如果随访数据缺失,则患者在本研究中于最后一次就诊或沟通时进行删失处理。

主要结局为复发性缺血性卒中,定义为突然发作的临床事件,伴有持续超过24小时的新发神经功能缺损,且并非由缺血性卒中以外的其他诊断所致。

统计分析

通过多变量Cox回归分析计算复发性缺血性卒中候选预测因素的风险比和95%置信区间。我们绘制Schoenfeld残差图以检验比例风险假设,该假设未被违反。

开发了两种模型:模型1纳入临床预测因素,模型2纳入临床和影像预测因素。首先,对所有临床候选预测因素构成的模型采用向后消除法开发临床模型。随后,基于P值阈值0.1进行向后消除,对包含所有候选预测因素的完整模型进行简化。对于模型2,将候选影像预测因素加入最终临床模型,并重复上述向后消除过程。为防止临床预测因素被移除,临床预测因素被强制纳入模型。通过使用Kaplan–Meier法和1000个Bootstrap样本计算连续净重分类改善(NRI)及其95%置信区间来评估模型改善情况[21, 22]。NRI基于对有或无结局患者的重分类,当有结局的患者被重分类为高风险或无结局的患者被重分类为低风险时,NRI增加[21]。判别斜率的改善采用综合判别改善(IDI)指标进行评估[21]。模型改善还通过似然比检验进行评估。

临床模型和扩展模型的乐观度通过1000个Bootstrap样本进行评估。模型的全局收缩采用刀切法完成[23]。最后,采用c统计量、校准图及其斜率评估经乐观度校正后模型的判别能力和校准度。统计分析使用R版本3.5.0中的survival、rms、nricens和survIDINRI软件包完成。本研究按照TRIPOD预测模型开发与验证清单执行[24]。

结果

在基线时638例卒中患者中,56例(9%)在5年随访期间发生复发性缺血性卒中。基线特征见表1。本研究人群与所有其余DUST参与者的基线特征比较见补充表I。

表1 按5年随访期间缺血性卒中复发分层的基线特征 查看原表 ↗

模型构建

缺血性卒中复发的主要临床预测因素为男性、高脂血症史以及卒中或TIA史(表2)。临床模型(包含男性、高脂血症史以及卒中或短暂性脑缺血发作史)的c统计量为0.61。与临床模型相比,扩展模型(包含平扫CT上的既往脑梗死以及CTP来源的平均通过时间图上ASPECTS大于7)具有更高的判别性能(c统计量0.65,P = 0.01)。

复发组的NRI为0.40(95% CI − 0.04–0.73),非复发组为0.04(95% CI − 0.13–0.54)。综合来看,总NRI具有显著性(0.44,95% CI 0.14–0.74)。判别斜率也显著改善(IDI 0.03,95% CI 0.01–0.09)。

校准图见图1。根据临床模型(0.70)和扩展模型(0.72)的斜率,模型校准度合理。

表2 完整和简化临床模型及扩展模型预测复发性缺血性卒中的效应估计 查看原表 ↗
图1 临床模型(a)和包含临床及CT衍生预测因素的扩展模型(b)的校准图。校准斜率为1.0表示完美校准(虚线) 查看原图 ↗

讨论

在本研究中,将两个CT影像变量(NCCT上的既往脑梗死灶和CTP衍生的平均通过时间图上的ASPECTS)加入临床模型后,对5年随访期间缺血性卒中复发的判别性能有显著改善。

缺血性卒中患者常进行CT检查,因为在急性卒中情况下CT相较MRI具有一些优势,如采集时间短、患者兼容性好、成本低和可及性高。除诊断目的外,入院CT的发现可用于急性缺血性卒中患者的预后评估。例如,多项研究探讨了CT发现对预测缺血性卒中后临床结局的价值[13, 25]。在DUST数据集中,CTP和CTA衍生预测因素对预测3个月后临床结局的附加价值有限[13]。既往一项研究表明,将MRI衍生预测因素(如多发梗死和多血管 Territory 受累)加入临床模型可显著改善对90天时复发性缺血性卒中的预测[8]。此外,类似的MRI衍生预测因素被确定为可预测2年随访期间的复发性缺血性卒中[9]。然而,CT衍生预测因素对预测2年以上复发性缺血性卒中的附加价值从未被研究过。在本研究中,我们表明将CT衍生预测因素加入包含临床预测因素的模型可显著改善复发风险估计。

尽管卒中亚型在既往研究中是复发性缺血性卒中的显著预测因素,但在我们研究人群中该预测因素对临床预测模型没有附加价值[4]。卒中病因采用TOAST分型确定[14]。确定卒中病因通常需要广泛的诊断检查,有时只能在卒中后随访期间才能准确确定,而指数事件后即刻的复发预测是理想的[26]。在本研究中,TOAST分型在初次入院阶段确定。由于确定最终卒中病因的随访研究未被常规纳入考虑,31%的病例卒中病因仍不明确。因此,该特定分析的结果需谨慎解读。未来研究应阐明卒中亚型对复发性卒中长期预测是否具有附加价值。

NCCT上既往脑梗死灶对卒中或TIA病史的附加价值可解释为脑缺血可能在患者未察觉的情况下发生,即所谓无症状性脑梗死。无症状性脑梗死与未来卒中的关联此前已确立,但从未与复发性缺血性卒中相关联[27]。患者是否有既往缺血性卒中或TIA通常通过病史采集评估。然而,尽管患者未经历任何卒中症状,缺血性脑损伤可能已经存在。这是CT影像对病史采集等临床评估具有附加预后价值的典型例子。

直观上,如果预测模型包含已确立的复发性卒中危险因素作为预测因子,模型将更为可靠。我们发现,不良侧支循环似乎并非复发性卒中的重要预测因子。这一发现并不意味着不良侧支循环本身不是复发性卒中的危险因素,而是该因素在我们风险预测模型中所使用的其他预测因子之外,对复发性卒中的预测没有附加价值。对这一发现的一种解释可能是,由于不良侧支循环患者数量较少导致统计效能不足。这一发现需要在更为均衡的人群中加以验证。

观察到的由CTP得出的平均通过时间图上较高ASPECTS与复发风险增加之间的关联令人意外,因为这意味着与缺血面积较大和/或累及更多ASPECTS区域的玩家相比,缺血面积较小和/或累及较少ASPECTS区域的患者面临更高的复发风险。我们无法区分梗死面积与梗死多发性,因为这些数据在DUST中未被常规收集。需要进一步研究来证实这一显著发现,并评估其与梗死面积、多发性及病因学的关系。使用ASPECTS的一个优势在于它可以在急性卒中阶段被准确评分,并且可以即时用于预测目的。尽管ASPECTS最初是为NCCT评估而开发的,它也可以应用于其他CT模态,如CTP [15, 28]。在本研究中,ASPECTS的二分类测量对临床预测模型具有附加价值,使其成为用于复发预测的有前景的工具。然而,这一发现需要在一项采用前瞻性结局评估的更大规模研究中加以验证。

在本研究中,我们表明缺血性卒中后的复发预测可以通过在临床信息之外使用影像信息来改善。然而,即使模型得到改善,其性能仍然仅为中等。在预测复发性缺血性卒中的模型能够用于常规卒中诊疗之前,需要采取一些步骤。首先,研究可以寻找额外的预测因子(例如,源自影像学),以观察是否能实现具有临床相关性的改善。例如,当前的研究 also 关注将心脏纳入卒中入院扫描以改善心源性栓塞病因的早期诊断。理想情况下,所发现的预测因子如MTT图上的ASPECTS应在独立的研究队列中加以验证。其次,一旦开发出性能足够高的模型,需要在其他队列中加以验证。第三,理想情况下,模型的 impact 需要在随机对照试验中加以量化。通过这种方式,预后模型可以指导治疗决策,从而影响患者结局。本研究有助于寻找复发性卒中预测最优模型的过程。

本研究的优势在于长期随访以及基于文献选择候选预测因子。通过这种方式,我们避免了仅根据显著的P值来选择预测因子。此外,预测因子信息是前瞻性收集的,因此缺失值数量极少。本研究的局限性在于随访数据的回顾性收集,这可能导致对结局发生率的低估。如果某些关联与失访相关,这可能影响了我们的结果。例如,在其他医院而非索引卒中所在医院记录的复发被遗漏了。我们认为这种情况不常发生,因为大多数患者会回到自己所在医院进行随访。尽管如此,观察到的发生率与既往研究一致,但仍需要前瞻性随访研究来验证我们的发现。结局数量相对较少,这也是本研究的一个局限性。本研究未将心力衰竭作为潜在预测因子进行收集,而既往研究显示其具有预测价值[29, 30]。然而,由于复发事件不足六十例,我们不被允许在扩展模型中加入超过五个预测因子。仅从十四个DUST中心中选择三个中心造成了这一局限性,但从其他DUST中心获取随访数据被认为不可行。研究更大的队列可能允许更多预测因子进入最终模型。我们未能改进先前已开发的模型,而是不得不创建最适合我们数据的自有临床模型。这种方法的缺点在于,我们的临床模型需要在其他研究中进行验证,而先前已开发的模型已经过验证。

总之,用于预测缺血性卒中后长期复发的临床模型具有中等性能,并可通过加入CT衍生预测因子加以改善。

电子补充材料

(PDF 167 kb)。

引用

  1. Kauw F, Greving JP, Takx RAP, et al. Prediction of long-term recurrent ischemic stroke: the added value of non-contrast CT, CT perfusion, and CT angiography. Neuroradiology. 2020. PMID: 32857214. doi:10.1007/s00234-020-02526-5
  2. 全文:PMC7966192(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7966192/

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。