Az akut ischaemiás stroke (AIS)-ok mintegy 30%-át nagyérelzáródás (large-vessel occlusion, LVO) okozza, mely a többi ischaemiás stroke-hoz képest súlyosabb tünetekkel és rosszabb kimenetelekkel jár, amennyiben kezelése nem sürgősen történik meg. A nagyérelzáródás intravénás thrombolysisen (IVT) túl endovascularis thrombectomiával (EVT) is kezelhető, melynek hatékonyságát a stroke kimenetele súlyosságának mérséklésében több vizsgálat is bizonyítja. Az EVT-k elvégzését ugyanakkor megnehezíti a korlátozottan elérhető, neurointervenciót végző stroke-centrumok (comprehensive stroke centers, CSC) száma, valamint az, hogy az LVO megléte csak képalkotó vizsgálatokkal igazolható, ami az esetek döntő többségében CT-angiográfiás vizsgálatot takar. A stroke-gyanús betegek ellátásával kapcsolatban két megközelítés alakult ki. Az első megközelítés alapján a stroke-gyanús beteget IVT-végző elsődleges stroke-centrumba (primary stroke center, PSC) szállítják, ahol LVO igazolódása esetén a beteget CSC-be irányítják. Ennek a megközelítésnek az előnye, hogy az IVT hamar megkezdhető, ugyanakkor a szállítás és a PSC-ben töltött idő miatt jóval később kerül sor EVT-re, mely az IVT LVO melletti mérsékelt hatékonysága miatt fontos tényező a kimenetel szempontjából. A második megközelítés szerint amennyiben az LVO valószínűsége magas, a beteget közvetlenül CSC-be szállítják. Ennek a második megközelítésnek az egyik fő gátja a prehospitálisan is könnyen elvégezhető és megbízható módszerek hiánya, mely képes az LVO-t azonosítani. A jelenlegi stroke-skálák elsősorban tünetcentrikusak, ugyanakkor egyéb tényezők, mint az ismert pitvarfibrilláció vagy a szisztolés vérnyomás szintén jó prediktív értékkel bírnak. Tárkányi és munkatársai a Life-ban közzétett cikkükben a klinikai tünetek, az anamnesztikus adatok, a vitális paraméterek, a laborparaméterek és az LVO megléte között kerestek összefüggéseket gépi tanulásos módszerek felhasználásával. A vizsgálat egy keresztmetszeti, megfigyeléses vizsgálat volt, melynek alapjául egy prospektív, a tünetkezdettől számított 4 és fél órán belül jelentkező AIS-es betegeket tartalmazó regiszter szolgált. A stroke-tünetek súlyosságát az NIHSS-pontszámmal jellemezték. Végpontként az akut LVO (ACI, ACM M1–M3 szakasza, ACA A1–A2 szakasza, ACP P1–P2 szakasza, AB, AV, tandem okklúziók) megléte a felvételkor készült CTA-n szolgált. A betegek közül kizárásra kerültek azok, akiknél nem készült CTA-felvétel. A változók és modellek LVO-diszkriminatív képességét az ROC (receiver operating characteristic) görbe alatti területtel (area under curve, AUC) jellemezték. Az optimális prediktív modell meghatározását a LASSO-regresszió alapján végezték el. Összesen 526 beteg került a vizsgálati csoportba, közülük 227 betegnél (43,2%) volt jelen LVO. A legjobb AUC-t az NIHSS-pontszám mutatta (0,785, optimális cut-off 9), ezt követték az anamnesztikus adatok (AUC 0,686), a laborparaméterek (AUC 0,641) és a vitális, valamint demográfiai adatok (AUC 0,567). A LASSO-regresszió alapján 9 változó került kiválasztásra, 6 tüneti változó (aphasia, facialis paresis, tudatzavar/dezorientáltság, látótérkiesés, tekintésbénulás, felső végtagi paresis), valamint a pitvarfibrilláció, a (krónikus) szívelégtelenség és a fehérvérsejtszám. Ezekből négyféle gépi tanulásos módszerrel végezték el az LVO predikcióját, ezek a Random Forest (AUC 0,736), logisztikus regresszió (AUC 0,775), elasztikus háló módszer (AUC 0,773), egyszerű neurális hálózat (AUC 0,772) voltak. A vizsgálat alapján kijelenthető, hogy egyes neurológiai tünetek súlyossága bír a legerősebb prediktív értékkel, ugyanakkor bizonyos egyéb változók, úgymint az ismert pitvarfibrilláció vagy szívelégtelenség, is jó prediktív értékkel rendelkeznek, így ezeket érdemes lehet a jövőbeli stroke-skálák tervezésénél figyelembe venni. Az NIHSS az eddigi kutatásokkal egybevágó AUC-értékekkel szolgált a jelenlegi vizsgálatban, ugyanakkor fontos kiemelni, hogy a hátsó keringés zavaraiban az NIHSS időnként nem teljesít olyan jól, mint az elülső keringést érintő stroke-ok esetén, ezért a továbbiakban érdemes lehet külön a hátsó keringés és az elülső keringés LVO-inak detektálására optimalizált gépi tanulásos algoritmusokat létrehozni. Az itt vizsgált gépi tanulásos módszerek AUC-je a használatban lévő stroke-skálák korábban publikált retrospektív és prospektív vizsgálatok során mért AUC-jével összemérhető tartományba esett. A szerzők a vizsgálat fő erényének az új statisztikai módszerek alkalmazását tekintik, limitációként a keresztmetszeti konstrukciót, a külső adathalmazon történt validáció hiányát, valamint az adatbázis korlátozott méretét említik. Szemlézte: Cséke Balázs dr. Eredeti közlemény: : Tarkanyi G, Tenyi A, Hollos R, Kalmar PJ, Szapary L. Optimization of Large Vessel Occlusion Detection in Acute Ischemic Stroke Using Machine Learning Methods. Life. 2022;12(2):230.