Integrating Vascular, Neurological, and Metabolic Factors into a Validated Nomogram to Predict 90‑day Outcomes after Mechanical Thrombectomy for Acute Ischemic Stroke

Resumen Técnico: Integración de Factores Vasculares, Neurológicos y Metabólicos en un Nomograma Validado para Resultados a los 90 Días tras Trombectomía Mecánica

Planteamiento del Problema
Aunque la trombectomía mecánica (TM) es el estándar de atención para el accidente cerebrovascular isquémico agudo (ACIA) con oclusión de gran vaso, los resultados de los pacientes siguen siendo altamente variables, con hasta un 40% que no logra la independencia funcional (escala de Rankin modificada [mRS] ≥ 3) a los 90 días a pesar de una reperfusión exitosa. Los modelos pronósticos existentes suelen sufrir limitaciones metodológicas, una baja capacidad de generalización o una falta de interpretabilidad, lo que dificulta su adopción clínica. Existe una necesidad crítica de herramientas que equilibren la precisión predictiva con la utilidad clínica y la interpretabilidad biológica, particularmente aquellas que incorporen variables vasculares, neurológicas y metabólicas fácilmente disponibles en lugar de depender únicamente de biomarcadores de imagen complejos.

Metodología
Este estudio retrospectivo analizó datos de 163 pacientes con ACIA tratados con TM en el Hospital de la Primera Persona de Zhaoqing entre enero de 2019 y diciembre de 2022. La cohorte se dividió aleatoriamente en un conjunto de entrenamiento (n=115) y un conjunto de validación (n=48) en una proporción de 7:3.

• Recopilación de Datos: Se recopilaron datos demográficos basales, antecedentes clínicos, parámetros de laboratorio al ingreso (incluyendo marcadores metabólicos como la glucosa en sangre en ayunas y la albúmina) y datos de imagen (incluyendo la afectación vascular).
• Selección de Características: Se empleó la regresión de Operador de Selección de Variable por Contracción de Lasso (LASSO) para identificar posibles predictores a partir de un amplio conjunto de variables.
• Desarrollo del Modelo: Se construyó un modelo de regresión logística multivariable utilizando un procedimiento de retroceso paso a paso (basado en el Criterio de Información de Akaike) para identificar predictores independientes de resultados funcionales deficientes a los 90 días (definidos como mRS ≥ 3).
• Validación y Comparación: El nomograma resultante fue evaluado para su discriminación (Área Bajo la Curva [AUC]), calibración y utilidad clínica (mediante el Análisis de la Curva de Decisión [DCA]). Para comparar el rendimiento y validar la selección de variables, el estudio desarrolló un clasificador de Máquina de Vectores de Soporte (SVM) utilizando los mismos predictores.
• Interpretabilidad: Se aplicaron las Explicaciones de Shapley Aditivas (SHAP) al modelo SVM para analizar las contribuciones de las características y confirmar la plausibilidad biológica de las variables seleccionadas.

Contribuciones Clave
El estudio desarrolló y validó un nomograma parsimonioso e interpretable que integra cuatro predictores independientes para estratificar los riesgos a los 90 días tras la TM:

1. Afectación de la Arteria Cerebral Anterior (ACA): Identificada como un factor protector.
2. Puntuación NIHSS al Ingreso: Una medida de la gravedad del déficit neurológico.
3. Glucosa en Sangre en Ayunas (FBG): Un indicador metabólico de la hiperglucemia por estrés.
4. Albúmina Sérica (ALB): Un marcador del estado nutricional y la inflamación sistémica.

El modelo fue diseñado para ofrecer una alternativa transparente a los modelos de aprendizaje automático de "caja negra", manteniendo un rendimiento predictivo comparable.

Resultados

• Predictores: La regresión logística multivariable confirmó que las puntuaciones NIHSS de ingreso más altas (OR=1.069), la glucosa en sangre en ayunas elevada (OR=1.333) y la albúmina sérica baja (OR=0.845) se asociaron con un mayor riesgo de resultados deficientes. Por el contrario, la afectación de la ACA se asoció con un menor riesgo (OR=0.269).
• Discriminación: El nomograma demostró una discriminación robusta en el conjunto de entrenamiento (AUC=0.810) y mantuvo un rendimiento adecuado en el conjunto de validación (AUC=0.731).
• Comparación con el Aprendizaje Automático: El modelo SVM mostró una precisión predictiva comparable (AUC de entrenamiento=0.798; AUC de validación=0.720). Sin embargo, el nomograma basado en la regresión logística fue preferido para la traslación clínica debido a su interpretabilidad inherente y estimación visual del riesgo.
• Calibración y Utilidad: Las curvas de calibración mostraron una excelente consistencia entre los riesgos predichos y observados en ambas cohortes. El Análisis de la Curva de Decisión (DCA) indicó que el nomograma proporcionó un beneficio neto positivo a través de un amplio rango de probabilidades de umbral (0–90% en el entrenamiento; 0–20% en la validación), superando las estrategias de tratar a todos los pacientes o a ninguno.
• Análisis SHAP: Los valores SHAP del modelo SVM confirmaron la direccionalidad y magnitud de las características seleccionadas, alineándose con los resultados de la regresión logística (por ejemplo, la glucosa y el NIHSS elevados aumentaron el riesgo, mientras que la albúmina más alta fue protectora).

Significancia y Reivindicaciones
Los autores afirman que este estudio presenta una herramienta validada e interpretable que estratifica eficazmente el riesgo a los 90 días tras la TM mediante la síntesis de dimensiones vasculares, neurológicas y metabólicas. La importancia del trabajo radica en su capacidad para equilibrar el rendimiento predictivo con la transparencia clínica, lo que potencialmente ayuda en el manejo individualizado del paciente y en la toma de decisiones compartidas a pie de cama.

El artículo enfatiza que el modelo utiliza variables clínicas fácilmente disponibles, abordando la brecha entre los modelos de investigación complejos y la aplicación clínica práctica. Sin embargo, los autores mantienen una postura modesta respecto a la generalizabilidad, señalando que el estudio es de un solo centro con una cohorte de validación relativamente pequeña. Declaran explícitamente que es necesaria la validación externa para confirmar la amplia aplicabilidad del modelo y que la investigación futura debe centrarse en estudios prospectivos multicénticos para refinar aún más la herramienta.