Predicting the Outcome of Thrombolytic Therapy in Patients with Ischemic Stroke Based on the Use of Neural Network Analysis

Abstract

Введение. Системная тромболитическая терапия (сТЛТ) является «золотым стандартом» реперфузионной терапии и получила самый высокий уровень доказательности (класс I, уровень А) в европейских и североамериканских руководствах по ведению пациентов в остром периоде ишемического инсульта (ИИ).Залогом успеха и безопасности реперфузионной терапии является тщательное соблюдение протокола ее проведения. Вместе с тем, как и в отношении любого метода лечения, возможно выделение прогностически благоприятных факторов и, наоборот, предикторов неэффективности и повышенного риска осложнений.Цель. Повысить чувствительность и специфичность персонифицированной модели прогнозирования у пациентов с инфарктом мозга с помощью нейросетевого анализа.Материалы и методы. За период с 2008 по 2018 г. в исследование были включены 213 пациентов с ишемическим инсультом, которым проводилась сТЛТ стандартной дозой алтеплазы на базе УЗ «Городская клиническая больница скорой медицинской помощи» и ГУ «МНПЦ хирургии, трансплантологии и гематологии». Функциональный исход проводимой терапии оценивался по критериям модифицированной шкалы Рэнкина (mRS). Благоприятным исходом считали достижение функциональной независимости (mRS 0–2), а неблагоприятным – наступление инвалидности либо летального исхода (mRS 3–6). Для выявления предикторов функционального исхода сТЛТ у пациентов с ИИ ретроспективно были проанализированы 42 клинико-инструментальных параметра.Результаты. С помощью корреляционного анализа Спирмена было выявлено 19 статистически значимых предикторов функционального исхода системной тромболитической терапии у пациентов с ишемическим инсультом, которые включали 4 клинико-анамнестических параметра, 1 лабораторный показатель и 14 нейровизуализационных критериев. Последующий нейросетевой анализ полученных данных позволил создать прогностическую модель,основанную на 24 клинико-инструментальных признаках. Точность данной модели составила 94%, чувствительность 88,5%, специфичность 98,2%, AUC 0,93.Заключение. Применение в повседневной практике результатов нейросетевой прогностической модели функционального исхода сТЛТ, основанной на клинико-патогенетических особенностях заболевания, локализации очага поражения и степени выраженности ранних нейровизуализационных признаков будет способствовать более безопасному и эффективному применению данного метода лечения у пациентов с ИИ. Introduction. Systemic thrombolytic therapy (sTLT) is the “gold standard” of reperfusion therapy; it received the highest level of evidence (class I, level A) in European and North American guidelines for the management of patients with acute ischemic stroke (IS).The key to success and safety of reperfusion therapy is careful adherence to the protocol of its implementation. At the same time, as with any treatment method, it is possible to identify prognostically favorable factors and, conversely, the predictors of ineffectiveness and increased risk of complications.Purpose. To increase the sensitivity and specificity of the personalized predictive model in patients with cerebral infarction using neural network analysis.Materials and methods. During the period from 2008 to 2018, the study included 213 patients with ischemic stroke, who underwent sTLT with the standard dose of alteplase at the City Clinical Emergency Hospital and Minsk Scientific and Practical Center for Surgery, Transplantology and Hematology. The functional outcome of the therapy was assessed, according to the criteria of the modified Rankin scale (mRS). The achievement of functional independence (mRS 0–2) was considered a favorable outcome, and the onset of disability or death (mRS 3–6) was considered unfavorable. To identify the predictors of the functional outcome of sTLT in patients with IS, 42 clinical and instrumental parameters were retrospectively analyzed.Results. Using Spearman’s correlation analysis, 19 statistically significant predictors of the functional outcome of systemic thrombolytic therapy in patients with ischemic stroke were identified, which included 4 clinical and anamnestic parameters, 1 laboratory parameter, and 14 neuroimaging criteria. Subsequent neural network analysis of the obtained data let to create the predictive model based on 24 clinical and instrumental predictors. The accuracy of this model was 94%, sensitivity – 88.5%, specificity – 98.2%, AUC 0.93.Conclusion. The use in everyday practice of the results of the neural network prognostic model of the functional outcome of sTLT, based on the clinical and pathogenetic features of the disease, the localization of the lesion, and the severity of early neuroimaging signs, will contribute to safer and more effective use of this treatment method in patients with IS.