基于CT灌注定量参数的在线动态列线图模型预测急性缺血性脑卒中静脉溶栓后出血性转化的研究

本研究针对急性缺血性脑卒中(AIS)患者静脉溶栓(IVT)后出血性转化(HT)风险预测的临床难题，通过整合CT灌注(CTP)参数rPS（相对通透性表面积乘积）、临床NIHSS（美国国立卫生研究院卒中量表）评分及房颤(AF)病史，构建了高性能动态列线图预测模型(AUC=0.899)。该研究创新性地开发了在线可视化工具，为临床医生提供实时风险评估手段，对优化治疗决策、改善患者预后具有重要意义。

　　

在全球范围内，脑卒中高居致死原因第二位，其中急性缺血性脑卒中(Acute Ischemic Stroke, AIS)占比达60-70%。静脉溶栓(Intravenous Thrombolysis, IVT)作为AIS的标准治疗方案，虽能有效恢复缺血组织血流灌注，却面临严峻挑战——高达58%的患者会发生出血性转化(Hemorrhagic Transformation, HT)。这种并发症不仅导致死亡率显著上升，更会造成患者神经功能恢复状态恶化，与不良预后密切相关。其核心机制在于缺血状态下血脑屏障(Blood-Brain Barrier, BBB)完整性遭到破坏，使得血管内物质外渗引发出血。

目前临床上面临的关键难题是如何在治疗前准确预测HT风险。虽然CT灌注(CT Perfusion, CTP)技术已常规用于评估AIS患者是否适合接受IVT治疗，且多项研究探讨了CTP参数与HT的关联性，但研究结论尚未统一，缺乏能够整合多维度指标的精准预测工具。传统评估主要依赖临床经验单一参数，难以全面反映复杂的病理生理过程。因此，开发一种结合影像学 biomarkers 与临床指标的量化预测工具，对实现个体化治疗决策、降低HT风险具有重大临床价值。

本研究创新性地构建并验证了一个基于CTP定量参数的在线动态列线图模型，该成果发表于《European Journal of Radiology Open》。研究人员通过系统性回顾分析，首次将相对通透性表面积乘积(relative Permeability Surface area product, rPS)这一关键影像 biomarker 与临床重要指标有机结合，建立了高性能预测体系。

研究采用回顾性队列设计，纳入55例接受IVT治疗的AIS患者。关键技术方法包括：采用256层CT扫描仪进行全脑CTP扫描，通过GE AW 4.7工作站处理获得脑血流量(Cerebral Blood Flow, CBF)、脑血容量(Cerebral Blood Volume, CBV)、平均通过时间(Mean Transit Time, MTT)、通透性表面积乘积(Permeability Surface area product, PS)、达峰时间(Time-to-maximum, Tmax)及峰值时间(Time to Peak, TTP)等参数；计算患侧与健侧比值获得相对参数(rCBV、rCBF、rMTT、rPS、rTmax、rTTP)；采用受试者工作特征(ROC)曲线和Logistic回归分析评估预测效能；最终利用R-shiny平台构建动态列线图模型并进行内部验证。

3.1. Patient characteristics

最终纳入55例AIS患者(65±12岁)，HT组18例(32.7%)，非HT组37例(67.3%)。两组在性别、年龄、再灌注时间等基线特征无显著差异，但HT组在入院时、IVT前、IVT后及出院时的NIHSS评分均显著高于非HT组(p<0.005)，房颤(AF)患病率也显著更高(p=0.001)。

3.2. Interobserver agreement

所有CTP参数的观察者间一致性良好(ICC>0.75)，确保测量结果的可靠性。

3.3. Comparison of clinical features between HT and non-HT groups

HT组在入院NIHSS评分(p=0.001)、IVT前NIHSS评分(p<0.001)、IVT后NIHSS评分(p=0.001)、出院NIHSS评分(p=0.001)及AF患病率(p=0.001)方面均显著高于非HT组。

3.4. Comparison of CTP parameters between the HT and non-HT groups

HT组呈现特征性CTP参数改变：MTT(p=0.007)、Tmax(p=0.024)、rTmax(p=0.045)、TTP(p=0.024)、PS(p=0.001)和rPS(p<0.001)显著升高，而CBF(p=0.046)和rCBF(p=0.014)显著降低。CBV、rCBV、rMTT和rTTP无显著组间差异。

3.5. CTP Parameters combined with clinical information ROC curve analysis

ROC分析显示，rPS在区分HT与非HT组方面表现出最高AUC值(0.808)，最佳截断值为1.53。多因素Logistic回归构建的三个模型中，Model 1(包含IVT前NIHSS评分、AF和rPS)预测效能最优，AUC达0.899(95%CI:0.814-0.984)，灵敏度83.33%，特异度89.19%。

3.6. A nomogram model to predict HT in AIS patients with IVT

基于Model 1构建的传统列线图经Bootstrap法内部验证显示良好校准度(一致性指数0.899)。决策曲线分析(DCA)表明当风险阈值>0.4时，该列线图具有显著临床净获益。

3.7. An online dynamic nomogram for the HT risk after AIS IVT

研发的在线动态列线图平台(https://ctpclinicalnomogram.shinyapps.io/DynNomapp/)可实现HT风险的实时可视化评估，医师只需输入患者rPS、IVT前NIHSS评分和AF状态即可获得精确的HT发生概率及95%置信区间。

研究结论部分强调，rPS作为最具预测价值的CTP参数，其升高反映了BBB破坏程度的加剧，与HT发生风险密切关联。IVT前NIHSS评分能准确反映卒中初始严重程度，而AF患者因易形成陈旧性血栓且溶栓效果较差，HT风险显著增加。三者结合构成的预测模型展现出卓越的判别效能(AUC=0.899)。

讨论中深入分析了本研究发现与既往研究的异同：与Xu等研究认为rCBF最具预测价值结论不同的原因可能在于CTP扫描时间窗差异(本研究为症状出现6小时内，Xu研究为发病24小时后)。研究特别指出IVT前NIHSS评分相较于其他时间点评分更能反映原始卒中严重状态，避免了治疗和康复过程的干扰。

该动态列线图的临床意义在于：首次实现了多维度参数的整合可视化，将传统复杂的回归模型转化为直观的风险评估工具；在线平台便于临床实时访问使用，推动精准医疗实践；为AIS患者IVT治疗前风险评估提供了量化依据，有助于识别高风险个体并采取针对性防治措施。

研究同时承认若干局限性：单中心小样本量需多中心验证；未细化HT分型分析；未全面考虑溶栓剂种类剂量等治疗因素；随访影像时间窗达7天可能引入时间偏倚。未来研究方向包括扩大样本量、结合机器学习技术深化参数分析，以及探索更多生物标志物的整合应用。

这项研究通过创新性地开发基于CTP定量参数的动态列线图模型，为AIS患者IVT后HT风险预测提供了重要工具，推动了卒中精准治疗的发展，对改善患者预后具有重要临床价值。