Nomogram to predict unfavorable outcomes after mechanical thrombectomy in patients with intracranial atherosclerosis-related large-vessel occlusion

Resumen Técnico: Nomograma para Predecir Resultados Desfavorables tras Trombectomía Mecánica en Pacientes con ICAS-LVO

Planteamiento del Problema
La estenosis de arteria intracraneal relacionada con la oclusión de gran vaso (ICAS-LVO) es una causa prevalente de accidente cerebrovascular isquémico agudo (AIS), particularmente en poblaciones asiáticas. A diferencia de otras etiologías de accidente cerebrovascular, la ICAS-LVO presenta desafíos técnicos únicos debido a las complejas placas ateroscleróticas y la estenosis residual, que pueden dificultar una recanalización exitosa. Si bien el tratamiento endovascular (EVT) ha mostrado resultados prometedores para este subgrupo, existe una falta significativa de investigación que identifique factores específicos que influyan en los resultados clínicos en pacientes con ICAS-LVO. En consecuencia, el desarrollo de protocolos de tratamiento adaptados y herramientas de pronóstico precisas para esta población específica sigue siendo limitado.

Metodología
Este estudio realizó un análisis retrospectivo de datos recopilados prospectivamente de un centro integral de accidentes cerebrovasculares de un solo centro (Hospital Beijing Chao-Yang) que involucró a 183 pacientes con AIS por ICAS-LVO que se sometieron a EVT entre enero de 2022 y diciembre de 2023.

• Criterios de Inclusión: ICAS-LVO confirmada, tiempo desde el inicio del accidente cerebrovascular hasta el tratamiento <24 horas, edad ≥18, NIHSS basal ≥5 y mRS premórbido ≤3.
• Definición de Resultado: El resultado primario fue un desenlace desfavorable a los 3 meses, definido como una puntuación de la Escala de Rankin Modificada (mRS) de 3 a 6.
• Enfoque Estadístico:
  1. Análisis Univariante: Las variables continuas se compararon mediante la prueba U de Mann–Whitney, y las variables categóricas mediante las pruebas de chi-cuadrado o de Fisher.
  2. Selección de Características: Se empleó la regresión logística de LASSO (Least Absolute Shrinkage and Selection Operator) para filtrar 16 predictores potenciales (incluyendo demografía, antecedentes médicos, métricas de tiempo y detalles procedimentales), reduciéndolos a 10 factores con coeficientes distintos de cero.
  3. Construcción del Modelo: Se construyó un modelo de regresión logística multivariable utilizando las variables seleccionadas por LASSO.
  4. Visualización: Se construyó un nomograma para visualizar el modelo predictivo, asignando valores de puntos a los predictores independientes para calcular la probabilidad acumulada de un resultado desfavorable.
  5. Validación: El rendimiento del modelo se evaluó mediante curvas de calibración, la prueba Z de Spiegelhalter, la puntuación Brier y el Análisis de la Curva de Decisión (DCA) para evaluar la utilidad clínica.

Resultados Clave
El estudio identificó tres predictores independientes de resultados desfavorables a los 3 meses en el análisis multivariable:

1. Edad: La edad avanzada se asoció con un mayor riesgo (OR 1.04 por año; IC 95% 1.00–1.08).
2. Puntuación NIHSS al Ingreso: La mayor severidad del déficit neurológico basal fue un fuerte predictor (OR 1.09 por punto; IC 95% 1.04–1.14).
3. Volumen del Núcleo del Infarto: Los volúmenes mayores del núcleo del infarto pretratamiento predijeron resultados desfavorables (OR 1.02 por ml; IC 95% 1.00–1.03).

Nota sobre la Discrepancia en el Resumen: Aunque el resumen enumera las Odds Ratios como 3.40 (Edad), 0.46 (NIHSS) y 0.06 (Núcleo del Infarto), la sección detallada de Resultados y la Tabla 2 presentan los coeficientes de regresión logística estándar (OR >1 para factores de riesgo como Edad y NIHSS, y OR <1 para factores protectores, aunque el texto describe el Núcleo del Infarto como un factor de riesgo con OR 1.02). La tabla detallada indica que los valores más altos en estas tres variables se correlacionan con un mayor riesgo de resultados desfavorables.

Rendimiento del Modelo

• Calibración: El modelo demostró una excelente concordancia entre los resultados predichos y observados, con un valor p de la prueba Z de Spiegelhalter de 0.843, lo que indica que no hay una desviación significativa de la calibración perfecta.
• Discriminación: La puntuación Brier fue de 0.191, lo que sugiere que las probabilidades predictivas estaban estrechamente alineadas con los valores ideales.
• Utilidad Clínica: El Análisis de la Curva de Decisión (DCA) mostró que el nomograma proporcionó un mayor beneficio neto para predecir resultados desfavorables a los 90 días en comparación con las estrategias de tratar a todos los pacientes o a ninguno a través de umbrales de riesgo del 10% al 80%.

Contribuciones Clave y Significancia
Los autores sostienen el desarrollo de un nuevo nomograma, fácil de usar, que integra la edad, la puntuación NIHSS al ingreso y el volumen del núcleo del infarto para predecir resultados desfavorables a los 3 meses específicamente para pacientes con ICAS-LVO sometidos a EVT.

• Utilidad Clínica: La herramienta está diseñada para asistir a los clínicos en la identificación preprocedimental de pacientes con alto riesgo de malos resultados, facilitando así la toma de decisiones de tratamiento individualizado y estrategias de gestión optimizadas.
• Avance sobre los Modelos Tradicionales: El artículo postula que, al proporcionar una estimación de probabilidad visual e individualizada en lugar de categorizar a los pacientes en grupos de riesgo amplios, el nomograma ofrece un instrumento más preciso para la toma de decisiones clínicas en comparación con los modelos de predicción de riesgo convencionales.
• Evidencia del Mundo Real: El uso de datos del mundo real de una cohorte de un solo centro se presenta como una fortaleza que mejora la representatividad de los hallazgos para este subgrupo de accidente cerebrovascular técnicamente desafiante.

Limitaciones y Direcciones Futuras
Los autores reconocen las limitaciones del estudio, incluyendo su naturaleza retrospectiva, el diseño de un solo centro y el tamaño de muestra relativamente pequeño, lo que puede restringir la generalización a otras poblaciones étnicas o regiones geográficas. Enfatizan la necesidad de futuros estudios prospectivos multicéntricos para validar la precisión del modelo y explorar la inclusión de biomarcadores adicionales para mejorar aún más el rendimiento predictivo.