术前多模态CT用于筛选适合接受机械血栓切除术的急性前循环阻塞性中风患者
《Frontiers in Neurology》:Preoperative multimodal CT for selection of acute anterior circulation occlusion stroke patients for mechanical thrombectomy
【字体:
大
中
小
】
时间:2026年05月08日
来源:Frontiers in Neurology 2.8
编辑推荐:
摘要
目的:通过开发和比较各种术前基于多模态CT的模型,以预测急性前循环闭塞性中风成功再通后的预后,本研究旨在确定患者成功再通后的预后评估方法。
方法:2022年1月至2024年10月期间,连续纳入在福建省医科大学附属三明第一医院接受机械取栓术并成功再通的急性前循环大血管闭塞患
摘要
目的:通过开发和比较各种术前基于多模态CT的模型,以预测急性前循环闭塞性中风成功再通后的预后,本研究旨在确定患者成功再通后的预后评估方法。
方法:2022年1月至2024年10月期间,连续纳入在福建省医科大学附属三明第一医院接受机械取栓术并成功再通的急性前循环大血管闭塞患者。根据90天改良Rankin量表(mRS)评分,将这些患者分为良好的临床结局组(mRS 0–3)和不良的临床结局组(mRS 4–6)。从分析和处理的临床及影像数据中识别出统计学上显著的变量后,计算出最佳的临界值。随后构建了五个多变量逻辑回归模型:临床-影像(C-I)、临床-非灌注(C-NP)、临床-非血管造影(C-NC)、仅临床(C)和仅影像(I)。使用接收者操作特征(ROC)曲线分析比较这些模型的性能,比较依据包括曲线下面积(AUC)、敏感性和特异性。通过Delong检验进行模型比较和选择,最终开发出最佳模型的决策图表。随后通过混淆矩阵和5折交叉验证来评估模型性能。
结果:在131名纳入的患者中,77名(58.78%)被归类为良好的临床结局组,54名(41.22%)被归类为不良的临床结局组。在年龄(59.5岁)、术前血糖(PBG)(7.21 mmol/L)、国立卫生研究院中风量表(NIHSS)(18.5)、阿尔伯塔中风项目早期CT评分(ASPECTS)(7.5)、侧支评分(3.5)、梗死核心体积(19.25 mL)和低灌注体积(180.65 mL)等方面发现了统计学上的显著差异。五个模型的AUC分别为:C-I模型(0.851,95% CI:0.785–0.917)、C-NC模型(0.865,95% CI:0.804–0.926)、C-NP模型(0.861,95% CI:0.798–0.923)、C模型(0.713,95% CI:0.626–0.801)和I模型(0.772,95% CI:0.688–0.855)。最佳C-NP模型的准确率为0.771,5折交叉验证的平均AUC为0.828。
结论:综合模型在预测成功机械取栓术后的结局方面表现出较强的预测能力。此外,C-NP模型具有更大的实用性,因为它使临床医生能够快速评估干预后的预后。
引言
中风的特点是发病率高、死亡率和残疾率高,给经济带来了沉重负担,并且是中国成年人死亡和残疾的主要原因(1, 2)。急性缺血性中风(AIS)是最常见的类型,其中35-40%的情况是由大血管闭塞引起的,这类中风导致了95.6%的所有中风相关死亡(3, 4)。机械取栓术(MT)已被确立为治疗大血管闭塞性中风(LVOS)最有效的方法(5-11)。然而,尽管再通率高达71-95%,但约45-54%的患者仍会出现不良临床结局(12-16)。不良临床结局可能归因于多种因素,如患者年龄、术前血糖(BPG)、国立卫生研究院中风量表(NIHSS)评分、术前影像特征、取栓次数以及术后管理策略(17, 18)。证据表明,再通时间延误一小时就会使良好临床预后的可能性降低约38%(19)。因此,基于有限的术前数据迅速提供预后初步评估至关重要。这种评估有助于促进临床医生和患者家属就手术决策达成快速共识。尽管多模态CT和MRI都用于MT前的评估(20, 21),但在急性中风的情况下,CT通常比MRI更实用且更易获得,因为MRI存在相对禁忌症且在许多机构中的可用性有限。多模态CT主要包括非对比CT(NCCT)、CT血管造影(CTA)和CT灌注(CTP)。NCCT主要用于检测颅内出血的存在以及梗死的位置和范围。CTA用于确定血管闭塞的位置并评估侧支代偿情况。CTP提供了梗死核心体积和缺血半影的信息。由于患者配合度差,尤其是在严重中风情况下,获取完整的多模态CT数据往往具有挑战性。此外,对没有大血管闭塞的AIS患者进行CTP检查会导致不必要的辐射暴露。因此,本研究旨在开发结合不同临床和影像变量的术前模型,以探索它们对成功机械取栓术后预后的预测能力,从而为临床医生和患者提供是否进行干预的决策依据。
材料与方法
研究策略和数据收集
2022年1月至2024年10月期间,在福建省医科大学附属三明第一医院接受机械取栓术并成功再通的急性前循环闭塞患者被回顾性纳入。所有患者都接受了术前多模态CT检查。检查前,向患者及其家属解释了研究的目的和程序,并获得了所有参与者的书面知情同意。本研究已获得福建省医科大学附属三明第一医院伦理委员会的审核和批准。纳入标准如下:(1)年龄≥18岁;(2)发病到治疗的时间≤24小时;(3)术前改良Rankin量表(mRS)评分为0;(4)CTA确认的单侧急性前循环大血管闭塞,包括内颈动脉(ICA)、前脑动脉(ACA)的A1段和中间脑动脉(MCA)的M1-M3段;(5)术后成功再通(mTICI ≥ 2b)(23, 24)。以下情况的患者被排除:(1)有多次中风史;(2)存在后循环闭塞;(3)再通不成功(mTICI ≤ 2a);(4)患者拒绝或不建议进行取栓术;(5)图像质量差(图1)。
图1 本研究纳入患者的流程图。mRS:改良Rankin量表;mTICI:改良溶栓性脑梗塞评分;90D-mRS:发病后90天的改良Rankin量表。
研究方法
CT方案
使用Revolution CT系统(GE Healthcare,美国)进行成像,采用低剂量方案和自适应统计迭代重建(级别=50%)。成像方案如下,整个过程大约持续10分钟:首先进行头部NCCT,然后进行头颈部CTA,接着是颅内血管的多相CTA(mCTA),最后进行全脑CTP。详细的扫描参数见表1。
表1
参数 NCCT 头颈部CTA/mCTA CTP
扫描模式 轴向 螺旋 轴向(电影)
探测器覆盖范围(mm) 160–160 160
旋转时间(s) 10.5 0.5
管电压(kV) 120 100 80
管电流(mA) 自动化(200–300) 自动化(80–350)
固定(130)
倾斜角度 -0.99 2:1
切片厚度(mm) 1.25 1.25 5.0
对比剂体积(mL) -50 40 -50
生理盐水冲洗(mL) -30 30 -30
注射速率(mL/s) -5 5 5
采集时间 从主动脉弓到顶点的动脉期;mCTA:在颅底-顶点之间每8秒扫描一次;之后每隔3秒扫描一次,共5-6分钟后再次扫描8次
多模态CT扫描协议
mCTA,多相CTA
影像后处理
NCCT、CTA和mCTA图像在Advantage Workstation 4.7(GE Healthcare)上使用FastStroke应用程序进行后处理。该软件用于创建20毫米厚的轴向最大强度投影(MIP)图像,生成脑血管的独立动脉、静脉和晚期静脉阶段的图像及其对应的彩色融合MIP图,其中三个阶段分别用红色、绿色和蓝色表示。原始CTP图像由计算机辅助分析系统(上海联影智能有限公司)进行分析。如果时间-密度曲线异常,在重新处理数据之前会手动重新定义动脉输入(未受影响的中脑动脉M1段)和静脉输出(Torcular Herophili)。
数据收集
记录患者的临床数据,包括性别、年龄、高血压、糖尿病、冠心病和心房颤动的历史。同时记录PBG水平和NIHSS评分。从头部NCCT图像中确定阿尔伯塔中风项目早期CT评分(ASPECTS)。从头颈部CTA和mCTA数据集中获取闭塞血管的长度和侧支评分。根据CTP数据,得出以下体积参数:低灌注体积(Tmax > 6秒)、梗死核心体积(CBF < 30%)和缺血半影体积(两者之间的差异)。
两名具有超过十年经验的放射科医生在盲法条件下独立进行了所有定量和定性图像分析,通过类内相关系数(ICC)评估观察者之间的一致性。采用两位读者连续测量的平均值进行进一步统计分析。如果评分存在分歧,则通过讨论达成最终共识。
随访和结果
90天改良Rankin量表(90D-mRS)评分由神经科医生通过门诊访问或电话访谈进行评估。根据90D-mRS评分,患者被分为两组:良好的临床结局组(评分0–3)和不良的临床结局组(评分4–6)。
统计分析
我们使用R软件(v4.5.1)和IBM SPSS Statistics 25进行统计分析,显著性水平设定为p < 0.05。对于单变量比较,使用皮尔逊卡方检验或费希尔精确检验分析分类变量。连续变量首先用Shapiro–Wilk检验检测正态性;正态分布的变量用独立t检验比较,非参数数据用Mann–Whitney U检验比较。确定统计学上显著变量的最佳临界值。然后将这些变量纳入多变量逻辑回归分析以构建预测模型。通过接收者操作特征(ROC)曲线分析比较模型的预测性能,比较曲线下面积(AUC)、敏感性和特异性。使用Delong检验进行模型比较和选择,最终开发出最佳模型的决策图表。随后通过混淆矩阵和5折交叉验证评估模型性能。
基线数据分析
在131名纳入的患者中,77名(58.78%)被归类为良好的临床结局组,54名(41.22%)被归类为不良的临床结局组。其中,5名患者出现严重的术后颅内出血,其中3人死亡。总共14人死亡(90D-mRS 6分),占总数的10.7%,占不良临床结局组的25.9%。血栓长度、ASPECTS和侧支评分的ICC值分别为0.998(95%CI:0.997–0.998)、0.907(95%CI:0.871–0.933)和0.877(95%CI:0.830–0.911)。这些ICC值表明三个影像变量具有较高的观察者一致性,支持了我们基于图像的预测器的稳健性。与良好临床结局组的患者相比,不良临床结局组的患者年龄较大(p = 0.001),PBG和NIHSS评分较高(p = 0.028和p = 0.007),ASPECTS和侧支评分较低(两者均p < 0.001),梗死核心体积和低灌注体积也较大(p < 0.001和p = 0.029)。这些参数的最佳临界值分别为59.5岁(年龄)、7.21 mmol/L(PBG)、18.5(NIHSS)、7.5(ASPECTS)、3.5(侧支评分)、19.25 mL(梗死核心体积)和180.65 mL(低灌注体积),详见表2和表3。
表2
变量 良好结局组(n = 77) (%) 不良结局组(n = 54) (%)
X2/t/Z 0.65 0.65 0.65
年龄(岁) 64.3 ± 10.8 64.3 ± 10.8 0.7 ± 9.7 0.41 0.001
高血压 43 (55.8%) 32 (59.3%) 0.15 0.697 0.125
糖尿病 14 (18.2%) 16 (29.6%) 2.35 0.665 0.415
PBG (mmol/L) 6.35 (5.72, 7.27) 7.24 (5.94, 9.87) -2.19 0.028
NIHSS 15 ± 6 18 ± 6 1.628 0.007
血栓长度(mm) 17 (12, 28) 19.5 (13, 29) -1.38 0.167 0.167
ASPECTS 8 (7, 9) 6 (5, 8) -4.72 <0.001 0.001
侧支评分 4 (3, 4) 3 (2, 3) -4.91 <0.001 0.001
表3
变量 最大Youden指数 敏感性 特异性
年龄 0.87 0.87 0.39
PBG 0.51 0.51 0.75
NIHSS 0.59 0.59 0.75
ASPECTS 0.68 0.68 0.72
侧支评分 0.59 0.81 0.81
梗死核心体积 0.64 0.64 0.81 0.46
低灌注体积 0.46 0.46 0.81 0.81
表4
变量 最佳临界值 最大Youden指数 敏感性 特异性曲线下面积(AUC)、敏感性和特异性是根据这些ROC曲线计算得出的,结果在表5和图2中呈现。表4中列出了各种变量对模型C-I、C-NC和C-NP的影响。βOR(95%置信区间)和p值也一并给出。
| 变量 | C-I模型 | C-NC模型 | C-NP模型 |
|--------------|------------|-------------|-------------|
| 年龄 | 0.108 | 1.114 (1.053, 1.177) | <0.001 |
| PBG (mmol/L) | 0.119 | 1.127 (1.001, 1.268) | 0.048 |
| NIHSS | 0.024 | 0.026 (0.952, 1.105) | 0.505 |
| ASPECTS | -0.436 | 0.646 (0.465, 0.898) | -0.502 |
| Collateral score | -0.403 | 0.668 (0.313, 1.426) | -0.504 |
| Infarct core volume | 0.016 | 0.016 (0.996, 1.036) | 0.019 |
| Hypoperfusion volume | -0.001 | -0.001 | -0.001 |
表5汇总了五种模型的AUC值、置信区间和预测效率。从表中可以看出,组合模型的性能优于单独模型。C-NC模型和C-NP模型取得了最高的AUC值,因此被选为进一步比较的对象。Delong的检验显示这两种模型在预测性能上没有统计学上的显著差异(Z = 0.334, p = 0.739)。然而,在临床实践中,C-NP模型简化了工作流程,并提供了重要的脑血管信息,更适合用于介入治疗的评估。
图2展示了五种模型的接收者操作特征(ROC)曲线。蓝色代表C-I模型;红色代表C-NC模型;绿色代表C-NP模型;橙色代表C模型;黄色代表I模型。
模型评估显示,组合模型的AUC值优于单独模型。通过比较五种模型的AUC值可以发现,组合模型在预后预测方面表现更好。C-NP模型的准确率为0.771,敏感性和特异性分别为0.722和0.805。
图3展示了C-NP模型的诺模图(nomogram),用于个性化风险预测。图4和图5展示了C-NP模型的混淆矩阵和5折交叉验证结果。
讨论部分指出,血管内治疗在设备创新方面取得了显著进展,使得LVOS(左侧颈内动脉闭塞)患者的再通率显著提高。然而,大约一半的治疗患者仍未能获得良好的预后结果,许多人出现了神经功能恶化或死亡。通过回顾性收集术前患者数据,我们开发并比较了五种模型,以评估它们在MT(溶栓治疗)成功后的预后预测价值,旨在为术前讨论提供决策依据。研究结果表明,组合模型在预测MT后预后方面表现最佳,有助于避免不必要的手术干预。
在研究中,MT后预后不良的发生率为41.22%,其中死亡占总数的10.7%,占预后不良组的25.9%。死亡的影响因素可能与严重残疾(90D-mRS评分4-5分)的因素不同。例如,尽管较大的灌注不足体积和年龄较大可能预示这两种结果,但术后出血、恶性脑水肿或系统并发症等因素可能更具体地导致死亡。未来研究应进一步区分死亡和残疾,以更好地阐明预后因素并指导临床决策。
多项研究表明,90D-mRS评分为0-2分的患者在急性缺血性中风(AIS)中预后较好。然而,也有研究显示90D-mRS评分为2或3分的AIS患者具有相似的7年生存率。因此,将90D-mRS评分0-3分归为良好预后可能更适用于伴有大血管闭塞的患者,这有助于与患者及其家属进行术前风险-收益评估。
本研究中的组合模型表明,年龄和PBG(空腹血糖)是MT后无效再通的独立风险因素。年龄超过59岁的患者预后较差的风险增加。此外,高血糖会加速缺血半影区脑细胞的乳酸产生,导致酸中毒,加重脑损伤并扩大梗死体积,同时影响脑自动调节能力,增加胰岛素抵抗,从而加剧炎症和氧化应激反应。研究表明,高血糖是MT后预后不良的独立风险因素。多项研究还指出,MT后PBG升高与不良预后相关。Goyal的研究发现,入院时高血糖与3个月死亡率较高和3个月功能改善几率较低相关。因此,对于高龄和高血糖患者,需要更加密切的关注和严格的术中及术后管理。
NIHSS评分反映了中风症状的严重程度,在多种预后预测模型中是一个重要指标。研究发现,干预后发展为恶性中型脑动脉梗死的患者术前NIHSS评分较高。尽管在单一变量分析中NIHSS评分是一个重要的评估指标,但在组合模型中并未显示出显著的差异。推测它可能与影像学指标相关,需要更大样本量的进一步研究来验证这一点。
ASPECTS是一种半定量方法,用于评估脑梗死体积。NCCT上显示的低密度脑组织代表不可逆的缺血损伤。研究表明,ASPECTS与CTP上的梗死核心体积呈负相关。Raza等人将基于NCCT的ASPECTS替换为梗死核心体积,发现这种替代方法并未改善预后预测性能。我们的研究也证实了ASPECTS和梗死核心体积在预后预测中的价值。这些发现与先前的研究结果一致。在最近的一项跨国调查中,与选择进行机械 thrombectomy(MT)决策最为相关的因素包括中风严重程度(NIHSS 评分)、患者年龄、基于指南的证据水平、术前脑成像以及医生经验(50)。多项研究表明,整合临床和成像变量的综合模型能够有效预测 MT 后的预后(51–54)。与先前的研究结果一致,本研究的综合模型在预测术后预后方面表现出最高的性能。HIAT-2 评分是预测前循环动脉内治疗不良结果的经典指标,它结合了年龄、治疗前血糖水平、NIHSS 评分和 ASPECTS,其预测不良结果的 AUC 为 0.748(28)。另一个仅基于成像变量的模型——包括血栓负荷评分、多段血栓负荷、CBV-ASPECTS 和侧支评分——预测 MT 后不良结果的 AUC 为 0.714(55)。这表明综合模型通常比仅基于成像数据的模型表现更好。同样,在本研究中,综合模型的 AUC 也高于纯临床模型或纯成像模型,这与前述研究结果一致。最近的大规模试验强调,对于大面积梗死的患者,应使用简化的成像方案以实现快速评估(56, 57)。尽管 MT 为患有大面积脑梗死的危重患者提供了临床益处,但它并不能显著降低死亡率(58)。我们的 C-I 模型仅包含 NCCT 检查,因此可能更适合于快速评估大面积梗死患者。虽然 C-NC 模型表现出最高的预测价值,但 CTP 扫描在危重患者中的成功率往往有限。此外,对于没有大血管阻塞的 AIS 患者,CTP 可能会不必要地增加辐射暴露。相比之下,C-NP 模型无需 CTP 即可快速评估大血管阻塞情况和侧支状态,简化了术前工作流程,提高了检查成功率,具有更广泛的应用性,并减少了患者的辐射暴露。因此,我们认为 C-NP 模型是最适合术前评估的工具,可为临床医生提供一个实用的工具来识别适合进行 MT 的患者。
本研究的局限性包括:
(1)本研究中没有中风病因数据。大多数患者来自医疗资源匮乏的农村或县级地区,他们往往不了解自己的基线血管状况。因此,在短暂的术前时间内无法可靠地确定病因分类,且大量数据缺失限制了研究的准确性。缺乏病因可能导致未测量的混杂因素,从而限制了模型在具有已知或不同病因特征的人群中的普遍适用性。未来的研究需要纳入病因分层,以验证和完善我们的发现,从而提高模型的准确性。
(2)本研究未记录或调整手术相关变量(如通过次数、设备类型、再灌注时间、麻醉类型)及术后管理。由于我们的模型用于术前预测,这些因素在预测时是不可用的。然而,它们的缺失可能会影响模型的泛化能力,未来的研究应整合术前可获得的替代指标或开发能够整合术中更新的动态模型。
(3)研究人群的选择基于相应的诊断和治疗指南(59)以及患者偏好,这难以避免选择偏倚。
(4)此外,相对较小的样本量需要通过更大的队列进行进一步验证。当前模型是基于一个样本量有限的单一中心队列开发的。尽管通过交叉验证进行了内部验证以评估其性能,但过拟合的风险仍然存在。在广泛应用之前,对其进行前瞻性和多中心外部验证是必要的。我们的下一步将在不同级别的多个中风中心进行外部验证。
(5)一些研究表明,mTICI 2C/3 可能比 mTICI 2B 带来更好的临床结果(60)。并且,血管内材料的进步未来可能有助于实现更彻底的再灌注。需要进一步的研究来阐明不同再灌注等级对临床预后的影响。
(6)虽然我们的研究使用 Menon 多相侧支评分来评估动脉侧支状态,但没有纳入专门的静脉流出模型进行与其他指标的比较。最新文献表明,结合评估皮质和髓质静脉流出情况可以提高多参数模型在中风患者中的预测性能(61–63)。鉴于可以获得多相 CTA 数据,未来的研究应该探讨整合静脉流出评估是否可以在动脉侧支分级之外提供额外的预后价值。这仍然是未来研究的重要方向。
(7)不同的 CTP 处理平台采用专有的算法进行反卷积、动脉输入函数选择和基线校准。因此,即使应用相同的相对脑血流(rCBF)< 30% 的阈值来定义缺血核心,不同平台之间的绝对梗死体积测量值也可能存在显著差异。这限制了我们的体积数据与其他软件研究结果的直接可比性。未来的研究应考虑跨平台验证或使用标准化幻影来进行测量协调。
结论:基于多模态 CT 的综合模型在预测接受 MT 后的急性前循环闭塞性中风患者的预后方面表现出强大的预测能力。C-NP 模型简化了检查流程,提高了评估速度,并减少了患者的辐射暴露,从而使临床医生能够在干预成功后更好地评估预后,具有在初级保健环境中广泛应用的潜力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号