人口特性
EVTを受けたVBAO患者525人の患者のコホートは、分析の対象となり（図1）、トレーニングサブセットで368人、テストサブセットで157人に分配されました。研究サンプルのベースライン特性を表1に示します。トレーニングサブセットでは、好ましい結果を持つ人については62.4年であり、不利な結果を持つ人にとっては64。5年で、大半は男性です（69.3％および70.8％ 、 それぞれ）。ヨーロッパのコホートと比較して、中国のコホートは心房細動の有病率が低かった（22.1％対30.5％）。入院時のNIHSSスコアの中央値は、好ましいグループで19±10、不利なグループで23±8として記録されましたが、後部循環急性脳卒中初期CTスコア（PC-Aspects）の中央値は9±1および8±8±±で認められました。それぞれ2。ストロークプレゼンテーションに関しては、好ましいグループの48.5％と不利なグループの52.0％が急速に進行する脳卒中を示しました。進行性脳卒中パターンは、40.4％および35.1％で観察され、4.5％と4.9％の変動コース、およびそれぞれのグループの6.1％と8.5％でのウェイクアップストロークが観察されました。患者の総コホートのうち、237人の患者（18.5％）が好ましい結果を達成し、有利なグループでは1.8％、不利なグループで9.9％で記録された症候性頭蓋内出血（SICH）が記録されました。
図1：参加者の選択と分析を概説するフローチャートの研究。
この図は、中国とヨーロッパのコホートの患者選択プロセス、トレーニングとテストセットの割り当て、およびモデル開発、検証、および外部テストのためのワークフローの概要を示しています。中国のコホートはトレーニングとテストセットに分割され、欧州コホートは外部検証セットとして機能し、除外基準と重要な分析ステップを強調しました。
表1トレーニング、テスト、および外部検証データセット全体のVBAO患者のベースライン特性
表1は、好ましくない結果（FO）を持つ患者と比較して、不利な結果（UFO）の患者のベースライン特性を示しています。 UFOグループは、NIHSSスコアの増加、上級年齢、より低い担保状態を含む、より深刻な初期条件を示しました（米国介入および治療的神経放射線科/介入放射線科学協会 [ASITN/SIR] Grade 0-1）、Sichのようなより高い合併症の割合、より頻繁な喫煙歴。逆に、FOグループは、より高いPCAspectsスコア、静脈内血栓溶解の速度の増加、およびgro径部の穿刺（EOT）時間への推定閉塞が短いことを示しました。これらの調査結果は、UFOグループが一般により深刻なベースライン条件とリスク要因を提示した一方で、FOグループはより穏やかな初期プレゼンテーション、より好ましい画像所見、よりタイムリーな介入の恩恵を受けたことを示しています。
予測変数の選択
ランダムフォレストモデルは、データセットの好ましい結果に有意に関連するいくつかの予測因子を特定しました。これらの予測因子の重要性は、補足図1に示すように、順列時の平均二乗誤差（MSE）の増加によって定量化されました。NIHSS、SICH、EOTなどの変数は、モデルへの実質的な影響を示しています。パフォーマンス。結果は、脳卒中の重症度を測定するNIHSSが最も重要であり、MSEが約12％増加していることを明らかにしました。これに続いて、SichとEOTが続き、どちらもMSEの増加がそれぞれ約11％と9％の結果に大きな影響を示しています。年齢、PCアスペクト、グルコースレベル、ASITN/SIRグレーディング、および脂質異常症を含む追加の臨床因子も、MSEの増加が少ないにもかかわらず、役割を果たしました（3〜8％）。このモデルは、R²の0.81で固体性能を示し、結果の分散の81％を説明しました。すべての分散インフレ係数（VIF）値が10のしきい値を大きく下回っているため、多重共線性が除外され、モデルの予測能力の堅牢性が確保されました。
モデル開発と比較
初期モデル（モデル1）には、NIHSS、SICH、および糖尿病症が一次予測因子として含まれていましたが、拡張モデル（モデル2）がASITN/SIR、年齢、グルコース、PCアスペクト、およびEOTを追加しました。比較すると、モデル2は、より低いAICスコア（480.3対481.7）、根平均誤差の減少（RMSE：0.468対0.477）、および予測条件付き確率の上昇によって証明されるように、優れたモデルの適合性と予測効果を示しました（PCP：0.562対と0.546）（図2a）。これらのメトリックは、モデル2の洗練された予測機能を強調しています。モデル1では、より普及したモデルを示す下部ベイジアン情報基準（BIC）を提示しましたが、モデル2の包括的なパフォーマンスメトリックと臨床的関連性は、臨床的コンテキストでの予測アプリケーションにより適しています。改良されたモデルは、結果を予測するためのより詳細なアプローチを提供し、GGCOEF比較関数は各予測子のオッズ比と信頼区間を視覚化し（図2B）、表2に詳述された最終選択としてモデル2を固化しました。
図2：モデルのパフォーマンスと予測因子への影響の包括的な評価。
a モデルパフォーマンスインデックスの比較分析。この図は、多様なパフォーマンスインデックス全体で評価されるモデル1およびモデル2と呼ばれる2つの一般化線形モデル（GLMS）の比較分析を示しています。予測精度とモデルの複雑さのバランスをとることにより、最適なモデルを特定するのに役立ちます。 b 予測因子オッズ比のモデル比較。バーチャートは、2つのロジスティック回帰モデルの予測因子のオッズ比（OR）を比較しています：単純化されたモデル（モデル1）と完全モデル（モデル2）。 ASITN/SIR American Society of Interventional and Therapeutic NeuroRadiology Score、Eot時間、推定閉塞からgro径部の穿刺までの時間、NIHSS National Institutes of Health Stroke Scale Score、PC-Aspects事後循環早期CTスコア、Sich症状症状の症状の脳腫瘍。
表2 3か月の結果を予測するための単変数および多変量ロジスティック回帰分析
モデル診断
モデルの信頼性を評価するために、包括的な回帰診断を実施しました（補足図2）。結果はモデルの堅牢性をサポートし、残差はゼロでランダムに分布し、モデル予測間隔に該当するほとんどの観察されたデータポイントがありました。実質的な共線性は検出されず、影響力のある観察は許容範囲内で残りました。さらに、標準的な均一な分布の分位物との残差の一貫した整列は、同性愛の仮定を支持しました。これらの診断分析により、回帰モデルが重要な仮定を満たしていることを集合的に確認し、それによってその信頼性とそれから得られた結論への信用を貸し出すことを検証しました。
動的ノモグラム
Dynnom関数（Dynnomパッケージ）を使用してインタラクティブなノモグラムを開発しました。 https://ody-wong.shinyapps.io/af_fo_app/。このツールは、臨床的意思決定サポートコンポーネントとして機能する、脳卒中予後の予測における好ましい結果と支援に対する臨床要因の影響を視覚化し、脳卒中予後の予測（補足図3）を視覚化します。
モデル評価
重要な予測変数を組み込んだロジスティック回帰モデルは、中国のテストデータセットとヨーロッパの外部データセットの両方で強力なパフォーマンスを示しました。モデルのAUCは0.719で、95％CIがテストデータセットに0.639–0.799、外部データセットに95％CIが0.586〜0.783のAUCが0.684でした（図3a、b）。 Delongのテストでは、2つのデータセット間の予測パフォーマンスに有意な違いがないことが示されました（p= 0.512）。私たちのモデルは、2つの独立したデータセットで中程度の予測精度を実証しました。中国人の場合は0.719、ヨーロッパ人では0.684、最大キャリブレーション誤差は0.088と0.091です。キャリブレーション曲線（図3C、D）は、観察された結果とモデルのアラインメントを確認します。
図3：モデルのパフォーマンス評価：ROC曲線分析、キャリブレーション評価、およびテストおよび外部検証データセットの決定曲線分析。
a、 b ROC曲線分析と最適なしきい値。 a そして b テストデータセットのROC曲線分析結果を表示します（a）および外部検証データセット（b）、 それぞれ。 Delongメソッドを使用して計算されたテストデータセットのAUCは0.719（95％CI：0.639–0.799）であり、最適なしきい値は0.581の感度と0.803の特異性に対応しています。外部検証データセットの場合、AUCは0.684（95％CI：0.586–0.783）であり、最適なしきい値ポイントの感度は0.562で、特異性は0.773です。 c、 d キャリブレーション曲線分析。 c そして d テストデータセットと外部検証データセットのモデルのキャリブレーション曲線をそれぞれ表示します。テストデータセットの曲線は理想的なラインからある程度まで逸脱しますが、外部検証データセットの曲線は、特により高い確率範囲で理想的なラインをより密接に追跡し、このデータセットのより良いキャリブレーション性能を示します。 e、 f DCA分析によるモデル診断パフォーマンス。 DCA分析図は、テストデータセットと外部データセット上のロジスティック回帰モデルの診断効果を評価します。モデルの予測は、テストデータセットの82％の症例、外部データセットで74％で診断的に関連しているとみなされます。
決定曲線分析
ロジスティック回帰モデルの決定曲線分析（DCA）は、テストデータセットの82％のしきい値で4％の最適な純利益を明らかにし、モデルの診断効果を強調しました。分析では、外部データセットに74％の適用性が示され、しきい値の確率とモデルの一般化可能性に対する感度が示唆されています。これらの結果は、さまざまな設定にわたる臨床的有用性の適切なノモグラムスコアのしきい値を選択することの重要性を強調しています（図3E、F）。
NIHSS予後の効用に対するシッチの影響
私たちの比較分析は、ゼチのないVBAO患者では、3か月のMRSスコアが高いほど、入院時のNIHSSスコアが高いことと有意に関連しており、NIHSSの予後有用性を検証することが有意に関連していることが示されました（補足図4）。しかし、シッチの患者では、この相関は存在していなかったため、シッチは3ヶ月の結果に対するNIHSSの予測精度を低下させる可能性があることを示しています。
モデルの堅牢性評価
モデルの堅牢性を確保するために、サンプルサイズの関数を利用して、適切なサンプルサイズと統計力を検証しました。 EXPR関数は、0.0082の予想される予想される偽陽性率が非常に低いことを示しており、予測変数間の偽の相関の可能性が最小限であることを示唆しています。これらの厳密な回帰分析は、AFのVBAO患者の結果を予測する際のモデルの信頼性を確認し、タイプIエラーのリスクが非常に低く、モデルの妥当性を強化します。
#心房細動による椎骨菌の閉塞の血管内治療のためのAI予測モデル