大型血管阻塞中风患者的结局预测与个体化治疗效应估计

机械血栓切除已成为大型血管阻塞（LVO）中风患者的标准护理。然而，仅有 50% 的成功治疗患者显示出良好结局。我们开发并评估了可解释的深度学习模型，用于预测以修改瘓伤评分（modified Rankin Scale score）表示的功能结局，并估计个体化治疗效应（ITEs），基于来自 449 例 LVO 中风患者的随机临床试验数据。除了临床变量外，我们还考虑了非对比 CT（NCCT）和血管造影（CTA）扫描，这些影像数据通过新型基础模型进行整合，以利用先进的影像信息。临床变量对于二分类功能结局预测具有良好的预测性能（AUC 为 0.719 [0.666, 0.774]），在加入 CTA 影像后略有改善（AUC 为 0.737 [0.687, 0.795]）。加入 NCCT 扫描或 NCCT 和 CTA 扫描的组合未显著提升预测效果。功能结局的最重要临床预测因子是中风前功能障碍。虽然估计的 ITEs 已校准于平均治疗效应，但辨别能力有限，C-for-Benefit 统计量约为 0.55。总体而言，这些模型允许我们在实现最先进的预测性能和 ITE 估计的同时，联合整合 CT 影像和临床特征。然而，仍需进一步研究尤其是改进 ITE 估计。