摘要
背景
血管内血栓切除术（EVT）已彻底改变急性缺血性中风（AIS）的治疗模式。然而，大量AIS患者即便实现成功再通，仍会出现不良预后，常表现为严重神经功能恶化或危及生命的并发症。早期识别高风险患者仍是亟待解决的重大临床需求。本研究开发并验证了机器学习（ML）模型，该模型整合自动定量脑血管形态学分析、侧支循环分级系统与人口统计学、临床、实验室及影像学变量，用于预测EVT术后主要并发症及早期神经功能结局。
方法
基于727例接受EVT治疗的AIS患者前瞻性数据库，我们开发了ML模型，将患者特异性血管形态测量数据与常规临床、实验室及影像学数据相结合，预测以下结局：早期神经功能恶化（END）、症状性颅内出血（sICH）、需手术减压的恶性脑水肿（MBE），以及需气管切开/胃造瘘（TC/PEG）的神经源性呼吸衰竭和吞咽困难。
结果
形态学特征分析显示，血管迂曲度增加和管径减小与并发症发生存在显著相关性。形态学增强（MI）模型在预测效能上持续优于基础临床（BC）模型：END预测AUROC达0.81（BC模型为0.73）；sICH预测AUROC为0.68（BC模型0.56）；MBE预测AUROC为0.67（BC模型0.56）；TC/PEG预测AUROC为0.66（BC模型0.58）。统计学检验确认MI模型在END、sICH和改良Rankin量表评分预测方面具有显著AUROC提升（p<0.05）。此外，患者特异性校准概率分析实现了个体化多维度风险分层，揭示了不同患者特有的并发症风险模式。
结论
研究证实，脑血管结构——这一常被忽视却对缺血损伤和再灌注动力学具有生理学决定作用的因素——能提供标准临床评估和视觉影像检查无法捕获的重要预测信息。自动血管分割与侧支循环分级技术可快速客观地将脑血管参数整合至预后模型，为精准风险分层提供了可扩展工具，有助于实现早期干预、靶向监测及优化EVT术后管理。
【全文结束】
