DSA-NRP: No-Reflow Prediction from Angiographic Perfusion Dynamics in Stroke EVT

Resumen Técnico: DSA-NRP

Enunciado del Problema
Tras una trombectomía endovascular (EVT) exitosa para un accidente cerebrovascular isquémico agudo (ACV), puede ocurrir una complicación significativa conocida como "no-reperfusión". Este fenómeno se define por una hipoperfusión microvascular persistente a pesar de la restauración de la permeabilidad de los vasos grandes (recanalización macrovascular), lo que conduce a una recuperación tisular deficiente y a resultados clínicos peores. Actualmente, la identificación del no-reperfusión depende de una resonancia magnética (RM) de perfusión de seguimiento realizada dentro de las 24 horas posteriores al procedimiento. Este retraso impide una intervención inmediata. Aunque la angiografía por sustracción digital (DSA) se realiza rutinariamente durante la EVT, su potencial para predecir el no-reperfusión en tiempo real utilizando la dinámica de perfusión intraoperatoria ha permanecido inexplorado.

Metodología
Los autores proponen DSA-NRP, un marco de aprendizaje automático (ML) diseñado para predecir el no-reperfusión inmediatamente después de la EVT mediante la integración de variables clínicas con secuencias de DSA intraoperatorias.

• Conjunto de datos: El estudio utilizó una cohorte retrospectiva de 39 pacientes con ACV tratados en el Centro Médico UCLA (2011–2024) con oclusiones de vasos grandes (M1 o ICA) que lograron una recanalización exitosa (puntuaciones mTICI de 2c o 3). Todos los pacientes tenían estudios de RM emparejados pre y post-procedimiento.
• Etiquetado de verdad fundamental: El no-reperfusión se definió cuantitativamente como una reducción >15% en el volumen sanguíneo cerebral relativo (rCBV) o el flujo (rCBF) dentro del núcleo del infarto en comparación con el hemisferio contralateral, derivado de los mapas de perfusión de RM post-procedimiento. Las regiones de interés (ROI) del infarto se generaron utilizando una arquitectura U-Net entrenada en los conjuntos de datos BRATS21 e ISLES 2022.
• Preprocesamiento de DSA:
  • Las secuencias de DSA (vistas anteroposterior y lateral) fueron anotadas manualmente para identificar el Territorio Objetivo Aguas Abajo (TDT).
  • Se utilizó una proyección de intensidad mínima a nivel de píxel (minProjection) para delinear el TDT.
  • Se calculó la intensidad media de píxeles dentro del TDT para cada cuadro, convirtiendo datos espaciotemporales 3D en señales de series temporales 1D.
  • Las señales se invirtieron para que los píxeles más brillantes representaran concentraciones más altas de trazador, se sincronizaron con el inicio del contraste y se recortaron a los primeros 5 segundos (fases arterial/capilar).
• Extracción de características: Se extrajeron tres categorías de características de las señales de series temporales 1D:
  1. PEAK: Dinámica del pico de perfusión (altura, ancho, pendiente, relación).
  2. SIPS (Perfilado de Intensidad Estadística): Propiedades estadísticas que incluyen media, desviación estándar, asimetría, curtosis e intensidad mínima.
  3. FLOW: Descriptores temporales que incluyen tiempo hasta el pico, tiempo de decaimiento, duración de la meseta y correlación de señal.
  • Además, las características RAW consistieron en vectores de series temporales 1D de longitud fija (15 cuadros).
  • Una línea de base Clínica (CLN) incluyó edad, sexo y puntuación mTICI final.
• Entrenamiento del modelo: Debido al tamaño pequeño de la cohorte, se empleó una estrategia de Validación Cruzada de Un Solo Saliente (LOOCV). Se seleccionó un Clasificador de Impulso de Gradiente como modelo principal. Se realizaron estudios de ablación para evaluar conjuntos de características individuales (PEAK, SIPS, FLOW, RAW) y sus combinaciones frente a la línea de base clínica.

Contribuciones Clave

1. Primer Marco de ML para Predicción Intraoperatoria: Este trabajo presenta el primer marco de aprendizaje automático para predecir el no-reperfusión post-trombectomía utilizando características estructuradas e interpretables derivadas de secuencias de DSA intraoperatorias.
2. Superioridad de las Características Derivadas de DSA: El estudio demuestra que las características derivadas de DSA (específicamente descriptores estadísticos y de series temporales) superan significativamente a las líneas de base clínicas tradicionales en la predicción del no-reperfusión.
3. Interpretabilidad Fisiológica: Mediante el análisis de importancia de características, los autores identifican predictores fisiológicamente significativos, como la intensidad máxima del trazador, la varianza temporal y el decaimiento del flujo, vinculándolos al fallo de perfusión aguas abajo y a la disfunción microvascular.

Resultados

• Rendimiento: El modelo de conjunto combinado (CLN + TSF + RAW) logró un AUROC de 0.9330 (p = 0.006) y una precisión de 0.9231. Esto superó significativamente a la línea de base clínica (AUROC: 0.7768).
• Análisis de Características:
  • Los modelos que utilizaban solo características derivadas de DSA (RAW o TSF) lograron un alto rendimiento (AUROC ~0.90–0.91), lo que sugiere que las variables clínicas de base aportan información adicional limitada más allá de los datos angiográficos.
  • Los conjuntos de características FLOW y SIPS fueron los más predictivos entre las características estadísticas, particularmente cuando se derivaron de señales post-procedimiento.
  • El análisis de importancia de características reveló que las dinámicas tempranas de la fase arterial (características RAW) y las características de lavado post-pico (duración de la meseta, asimetría) fueron los predictores dominantes.
• Análisis de Subgrupos: El modelo mantuvo un rendimiento consistente en subgrupos estratificados por puntuación mTICI (2c vs 3), sexo, raza, edad y gravedad basal del accidente cerebrovascular (NIHSS), sin diferencias estadísticamente significativas en el comportamiento del modelo (todos p > 0.1).
• Recall: Los modelos de mejor rendimiento lograron un recall perfecto (1.0000), identificando el 100% de los casos de no-reperfusión en esta cohorte.

Significado y Afirmaciones
El artículo afirma que DSA-NRP establece una base preliminar para la predicción inmediata y precisa del no-reperfusión sin depender de imágenes retrasadas. Al aprovechar la dinámica de perfusión de DSA intraoperatoria, el enfoque permite a los clínicos gestionar proactivamente a pacientes de alto riesgo mediante intervenciones dirigidas (por ejemplo, cuidados neurológicos críticos, manejo de la presión arterial o trombólisis intraarterial) mientras el paciente aún se encuentra en la sala de angiografía.

Los autores enfatizan que, aunque los resultados son prometedores, son preliminares debido al pequeño tamaño de la muestra (n=39) y a la naturaleza de un solo centro del estudio. Declaran explícitamente que los hallazgos requieren validación en cohortes más grandes, independientes y multicéntricas antes de su implementación clínica. El trabajo sirve como una prueba de concepto de que la información sobre la integridad microvascular está codificada en las secuencias estándar de DSA y puede extraerse mediante aprendizaje automático para mejorar los flujos de trabajo de atención al accidente cerebrovascular.