房颤合并椎基底动脉闭塞血管内治疗的 AI 预测模型研究解读

近期，来自暨南大学附属广东省第二人民医院神经医学中心等多个单位的研究人员，在npj Digital Medicine期刊上发表了题为 “AI prediction model for endovascular treatment of vertebrobasilar occlusion with atrial fibrillation” 的论文。该研究聚焦房颤合并椎基底动脉闭塞（VBAO）患者血管内治疗（EVT）预后预测，开发出精准预测模型，为临床决策提供关键依据，在脑血管病诊疗领域意义重大，有望革新现有治疗策略，改善患者预后。

急性椎基底动脉闭塞（AVBAO）是缺血性卒中的严重类型，虽占比不高，但致死、致残率高达 80% 。机械取栓（MT）用于前循环大血管闭塞已成标准治疗，但在 AVBAO 中的疗效存争议。部分随机对照试验（RCTs）结论不一，如 BEST 和 BASICS 研究未证实血管内治疗（EVT）优于标准药物治疗，而 BAOCHE 和 ATTENTION 试验表明，对特定中重度卒中（NIHSS≥10）的 AVBAO 患者，MT 能显著改善功能结局。

目前，房颤（AF）合并 AVBAO 患者接受 EVT 后的预后情况尚不明确。现有研究多关注前循环卒中，对后循环特别是合并 AF 的情况关注不足。受样本量、患者异质性、治疗方案差异及后循环卒中特点影响，前循环卒中研究结果难以完全适用于此类患者。并且，后循环中针对 AVBAO 合并 AF 患者 EVT 结局的研究数据匮乏，不同病因对治疗效果的影响有待探究。

随着人工智能（AI）发展，其在卒中诊疗领域应用广泛，但现有模型多针对前循环卒中，对 VBAO 合并 AF 这类后循环卒中关注极少。本研究旨在填补这一空白，开发经多人群验证的预测模型，为临床决策提供有力支持。

研究采用两阶段、多中心回顾性研究方法，涵盖中国 15 个省份 65 个中心，研究时段为 2015 年 12 月至 2022 年 6 月，数据源自 PostErior ciRculation iSchemIc Stroke regisTry（PERSIST）数据库。纳入标准为年龄≥18 岁、合并 AF、接受 EVT、经影像确诊为 VBAO 且发病 24 小时内就诊的患者；排除标准包括预卒中 mRS 评分 > 2、合并前循环卒中或其他血管病变、参与其他临床试验、妊娠或哺乳期及关键数据缺失者。此外，纳入 237 例欧洲患者作为外部验证集。

详细收集患者人口统计学资料、血管危险因素、实验室检查结果、神经影像数据、时间指标（如估计闭塞至股动脉穿刺时间 EOT）及卒中严重程度等信息。对动脉闭塞部位分类，采用 NIHSS 评分评估卒中严重程度，依据 ASITN/SIR 标准评估侧支循环状态，通过非增强 CT 或 MRI 确定 PC - ASPECTS 评分，利用海德堡出血分类诊断症状性颅内出血（sICH）。

由影像核心实验室对基线非增强 CT 或扩散加权 MRI 评估 PC - ASPECTS 评分，对血管影像确定闭塞位置，通过 DSA 评估血管再通技术疗效，利用随访 CTA 或 MRA 评估血管再通情况、CT 检查颅内出血情况。评估由两名神经放射科医生独立进行，有分歧时由第三位专家裁决。

治疗方案包含多种血管内策略，如支架取栓、血栓抽吸、支架置入、球囊血管成形术、动脉内溶栓或联合应用。各中心神经介入专家和神经科医生根据患者综合情况、意愿或法定代表指示选择治疗方式。

在出院和卒中后 3 个月，由认证评估员采用 mRS 评估患者功能状态，mRS 评分 0 - 3 分定义为良好结局，评估过程对研究目的设盲。

运用 IBM SPSS Statistics 26.0 和 R 统计软件进行分析。用单样本 Kolmogorov - Smirnov 检验评估连续变量分布，正态分布变量以均值 ± 标准差表示，非正态分布以中位数（四分位数间距）表示。采用 missRanger 包多重填补缺失数据，通过随机森林排列重要性分析筛选变量，构建多变量逻辑回归模型。使用受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）评估模型准确性。

525 例 VBAO 接受 EVT 患者纳入分析，分为训练集 368 例和测试集 157 例。训练集良好结局患者平均年龄 62.4 岁，不良结局患者 64.5 岁，男性居多。与欧洲队列相比，中国队列 AF 患病率较低（22.1% vs 30.5%）。良好结局组 NIHSS 评分、PC - ASPECTS 评分、静脉溶栓率更高，EOT 时间更短；不良结局组 sICH 发生率、吸烟史比例更高。总体上，237 例（18.5%）患者获得良好结局，良好结局组 sICH 发生率为 1.8%，不良结局组为 9.9%。

随机森林模型确定多个与良好结局显著相关的预测变量。NIHSS 评分对模型影响最大，MSE 增加约 12%；sICH 和 EOT 次之，MSE 分别增加约 11% 和 9%；年龄、PC - ASPECTS 评分、血糖水平、ASITN/SIR 分级和血脂异常等也有影响，但 MSE 增加幅度在 3 - 8%。模型 为 0.81，排除多重共线性（VIF 值均低于 10）。

初始模型（Model 1）纳入 NIHSS、sICH 和血脂异常为主要预测变量，扩展模型（Model 2）增加 ASITN/SIR 分级、年龄、血糖、PC - ASPECTS 评分和 EOT。Model 2 在模型拟合和预测效能上更优，AIC 评分更低（480.3 vs 481.7），RMSE 更小（0.468 vs 0.477），PCP 更高（0.562 vs 0.546），最终选定 Model 2。

回归诊断显示，模型残差随机分布在零附近，多数观测数据在预测区间内，无显著共线性，影响观测值在可接受范围，残差符合标准均匀分布，满足同方差假设，表明模型可靠。

利用 DynNom 函数开发交互式列线图（https://ody - wong.shinyapps.io/AF_FO_app/），直观展示临床因素对良好结局的影响，辅助预测卒中预后。

在测试集和欧洲外部验证集上，模型表现良好。测试集 AUC 为 0.719（95% CI：0.639 - 0.799），外部验证集 AUC 为 0.684（95% CI：0.586 - 0.783），DeLong 检验显示两组间预测性能无显著差异（p = 0.512）。中国人群和欧洲人群 C 指数分别为 0.719 和 0.684，最大校准误差分别为 0.088 和 0.091，校准曲线证实模型与实际结局相符。

测试集上，模型在 82% 阈值处净效益达 4%；外部验证集上，适用性为 74%，表明模型对阈值概率敏感，具有一定普适性，强调选择合适列线图评分阈值对临床应用的重要性。

无 sICH 的 VBAO 患者中，3 个月 mRS 评分与入院 NIHSS 评分显著相关；有 sICH 患者中，该相关性消失，提示 sICH 会降低 NIHSS 对 3 个月结局的预测准确性。

通过 SampleSizeMLR 函数验证样本量和统计功效，expR 函数显示预期假阳性率仅 0.0082，模型可靠，I 类错误风险极低。

本研究表明，NIHSS 评分升高和 sICH 与 3 个月不良结局显著相关。无 sICH 患者 3 个月时 47.7% 预后良好，凸显早期干预和降低 sICH 风险的重要性。研究再次证实 NIHSS 评分在评估卒中预后中的重要性，但 sICH 存在时，其预测可靠性降低，提示需开发改良评分量表或补充评估工具。

多中心大样本及欧洲队列外部验证，增强了研究结果的普遍性和可靠性。虽部分因素未达统计学显著，但为后续研究指明方向，如探索影像生物标志物和机构诊疗方案对结局的影响。

研究开发的模型整合多方面指标，实现精细风险分层，外部验证确保其普适性，弥补后循环卒中研究空白，为临床决策提供重要参考。然而，研究存在回顾性研究固有缺陷，外部验证集样本量有限，且未全面探究潜在影响因素。

未来需开展多中心、大规模前瞻性研究，纳入先进影像生物标志物，扩大样本量，进一步验证模型。将模型融入电子健康记录系统，优化评分系统和抗凝方案，推动个性化治疗，有望显著改善患者生存率和生活质量，提升预测模型临床应用价值 。