Przewidywanie wyników funkcjonalnych po udarze – metody i narzędzia

Przewidywanie wyników funkcjonalnych po udarze stanowi kluczowy element planowania terapii i rehabilitacji pacjentów. Głównym narzędziem oceny jest 90-dniowa skala mRS (modified Rankin Scale), która służy jako powszechnie używana miara do oceny niepełnosprawności i niezależności po udarze oraz stanowi kluczowe narzędzie do oceny oczekiwanych wyników po udarze¹.

Skala mRS jako standard oceny wyników funkcjonalnych

Skala mRS jest najbardziej rozpowszechnionym narzędziem do oceny wyników funkcjonalnych po udarze. Ocenia ona stopień niepełnosprawności w skali od 0 (brak objawów) do 6 (zgon). W praktyce klinicznej wynik mRS ≤2 jest zazwyczaj definiowany jako dobry wynik funkcjonalny, natomiast wynik 4-6 oznacza zły wynik z wysoką niepełnosprawnością lub śmiercią².

Przedudarowa skala mRS odgrywa kluczową rolę w przewidywaniu prognozy osób z udarem niedokrwiennym, którzy przeszli trombolizę. Wyższe przedudarowe wyniki mRS były pozytywnie skorelowane z niekorzystnymi wynikami, podkreślając wpływ początkowego stanu funkcjonalnego pacjenta¹. Analiza SHAP wykazała, że przedudarowa skala mRS należy do najważniejszych czynników prognostycznych, zaraz po ciężkości udaru przy przyjęciu³.

Nowoczesne modele przewidywania wyników funkcjonalnych

Rozwój technologii uczenia maszynowego przyniósł znaczące postępy w przewidywaniu wyników funkcjonalnych po udarze. Model transformer osiąga skuteczność przewidywania śmiertelności z obszarem pod krzywą ROC na poziomie 0,830 przy przyjęciu, wzrastając do 0,893 po 72 godzinach dla 3-miesięcznych wyników⁴. Model ten zapewnia godzinowe przewidywania wszystkich wyników, w tym śmiertelności w szpitalu, przeżycia i stanu funkcjonalnego po 3 miesiącach, na podstawie regularnie aktualizowanych danych klinicznych⁵.

Szczególnie imponujące wyniki osiąga model XGBoost w przewidywaniu zmian prognozy pacjentów z udarem. Model ten uzyskał AUC na poziomie 0,929 w przewidywaniu zmian prognozy pacjentów obserwowanych przez 3 miesiące⁶. W porównaniu z modelami klinicznymi opartymi na skalach punktowych, modele statystyczne i XGBoost przewyższają je o około 20-35% pod względem AUC, z niektórymi osiągającymi AUC powyżej 0,9⁷.

Czynniki kliniczne wpływające na wyniki funkcjonalne

Identyfikacja kluczowych czynników wpływających na wyniki funkcjonalne ma fundamentalne znaczenie dla dokładnego prognozowania. Analiza SHAP wykazała, że najważniejszymi czynnikami są: ciężkość udaru przy przyjęciu (NIHSS), przedudarowa skala mRS, poziom glukozy we krwi, ciśnienie skurczowe i rozkurczowe, nadciśnienie tętnicze, choroba wieńcowa, udar o nieustalonej etiologii oraz zakażenia dróg moczowych nabyte w szpitalu³.

W populacji młodych pacjentów z ostrym udarem niedokrwiennym szczególne znaczenie mają: wysokie wyniki mRS przy przyjęciu, warunki życia w samotności oraz wysokie wyniki NIHSS przy wypisie, które pozostają niezależnymi predyktorami słabych 3-miesięcznych wyników⁸. To podkreśla znaczenie czynników społecznych w prognozowaniu wyników funkcjonalnych, które często są pomijane w standardowych modelach.

Wykorzystanie danych obrazowych w prognozowaniu

Obrazowanie medyczne odgrywa coraz większą rolę w przewidywaniu wyników funkcjonalnych po udarze. Preferowaną procedurą diagnostyczną w ostrej fazie jest akwizycja wieloparametrycznego rezonansu magnetycznego (MRI)⁹. Rozwój modeli głębokiego uczenia pozwala na bezpośrednią analizę surowych danych 4D CTP w celu przewidywania wyników uszkodzenia po udarze, eliminując etapy postprocessingu i potencjalnie lepiej wychwytując informacje przestrzenno-czasowe¹⁰.

Szczególnie obiecujące są wyniki przewidywania wyników tkanek w ostrym udarze niedokrwiennym na podstawie jednoetapowej angiografii CT (CTA) przy przyjęciu. Przewidywanie zawału w obserwacji 24-godzinnej przy użyciu wyłącznie obrazowania CTA jest możliwe z miarami DSC porównywalnymi do wyników algorytmów opartych na CTP opisanych w innych badaniach¹¹.

Modele multimodalne i integracja danych

Integracja różnych źródeł danych pokazuje ogromny potencjał w poprawie wydajności modeli głębokiego uczenia. Modele multimodalne (fuzyjne) wychwytują komplementarne informacje z różnych źródeł danych, co może prowadzić do lepszej wydajności¹⁰. Model transformer wykazuje potencjał modeli uczenia maszynowego integrujących zmienne kliniczne, fizjologiczne, obrazowe i biologiczne w czasie po udarze⁴.

Badania pokazują, że modele oparte na uczeniu maszynowym, szczególnie Random Forest, mogą być skutecznie wykorzystywane do długoterminowego przewidywania śmiertelności i zachorowalności u pacjentów z udarem¹². Model wskazuje, że najbardziej istotne zmienne to NIHSS po 48 i 24 godzinach, natomiast pozostałe zmienne dostarczają informacji marginalnie, choć nie należy lekceważyć znaczenia czasu do leczenia¹².

Praktyczne zastosowanie w planowaniu rehabilitacji

Dokładne przewidywanie wyników funkcjonalnych ma bezpośrednie przełożenie na planowanie rehabilitacji i opieki długoterminowej. Biorąc pod uwagę rozpowszechnienie chorób naczyniowo-mózgowych, dokładne przewidywanie ewolucji udaru jest niezbędne do stratyfikacji opieki rehabilitacyjnej, która powinna być podawana, szczególnie pacjentom z najlepszymi szansami na powrót do zdrowia¹².

Wyniki badań pozwalają lekarzom wykorzystywać przewidywane rezultaty w praktyce klinicznej do planowania optymalnego spersonalizowanego planu opieki mającego na celu poprawę powrotu do zdrowia⁷. Modele te pomagają lekarzom lepiej zrozumieć i zaplanować powrót pacjenta do zdrowia oraz zarządzanie opieką zdrowotną po udarze⁷.