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

Resumo Técnico: DSA-NRP

Declaração do Problema
Após uma trombectomia endovascular (EVT) bem-sucedida para acidente vascular cerebral isquêmico agudo (AVC), pode ocorrer uma complicação significativa conhecida como "no-reflow" (não reperfusão). Este fenômeno é definido por hipoperfusão microvascular persistente apesar da restauração da patência de grandes vasos (recanalização macrovascular), levando a uma recuperação tecidual deficiente e a desfechos clínicos piores. Atualmente, a identificação do no-reflow depende de ressonância magnética (RM) de perfusão de acompanhamento realizada dentro de 24 horas após o procedimento. Este atraso impede a intervenção imediata. Embora a angiografia por subtração digital (DSA) seja realizada rotineiramente durante a EVT, seu potencial para prever o no-reflow em tempo real usando dinâmicas de perfusão intra-procedimento permaneceu inexplorado.

Metodologia
Os autores propõem DSA-NRP, uma estrutura de aprendizado de máquina (ML) projetada para prever o no-reflow imediatamente após a EVT, integrando variáveis clínicas com sequências de DSA intra-procedimento.

• Conjunto de Dados: O estudo utilizou uma coorte retrospectiva de 39 pacientes com AVC tratados no Centro Médico da UCLA (2011–2024) com oclusões de grandes vasos (M1 ou ICA) que alcançaram recanalização bem-sucedida (escores mTICI de 2c ou 3). Todos os pacientes tiveram exames de RM pareados pré e pós-procedimento.
• Rotulagem de Verdade Terrena: O no-reflow foi definido quantitativamente como uma redução >15% no volume sanguíneo cerebral relativo (rCBV) ou fluxo (rCBF) dentro do núcleo do infarto em comparação com o hemisfério contralateral, derivado de mapas de perfusão de RM pós-procedimento. Regiões de interesse (ROIs) do infarto foram geradas usando uma arquitetura U-Net treinada nos conjuntos de dados BRATS21 e ISLES 2022.
• Pré-processamento de DSA:
  • Sequências de DSA (vistas anteroposterior e lateral) foram anotadas manualmente para identificar o Território Alvo a Montante (TDT).
  • Uma projeção de intensidade mínima por pixel (minProjection) foi usada para delinear o TDT.
  • A intensidade média do pixel dentro do TDT foi calculada para cada quadro, convertendo dados espaciotemporais 3D em sinais de série temporal 1D.
  • Os sinais foram invertidos para que pixels mais brilhantes representassem concentrações mais altas de traçador, sincronizados ao início do contraste e truncados nos primeiros 5 segundos (fases arterial/capilar).
• Extração de Características: Três categorias de características foram extraídas dos sinais de série temporal 1D:
  1. PEAK: Dinâmica do pico de perfusão (altura, largura, inclinação, razão).
  2. SIPS (Perfilamento de Intensidade Estatística): Propriedades estatísticas incluindo média, desvio padrão, assimetria, curtose e intensidade mínima.
  3. FLOW: Descritores temporais incluindo tempo até o pico, tempo de decaimento, duração do platô e correlação de sinal.
  • Adicionalmente, características RAW consistiram em vetores de série temporal 1D de comprimento fixo (15 quadros).
  • Uma linha de base Clínica (CLN) incluiu idade, sexo e escore mTICI final.
• Treinamento do Modelo: Devido ao pequeno tamanho da coorte, uma estratégia de Validação Cruzada Leave-One-Out (LOOCV) foi empregada. Um Classificador de Boosting de Gradiente foi selecionado como modelo principal. Estudos de ablação foram conduzidos para avaliar conjuntos de características individuais (PEAK, SIPS, FLOW, RAW) e suas combinações contra a linha de base clínica.

Contribuições Principais

1. Primeira Estrutura de ML para Previsão Intra-procedimento: Este trabalho apresenta a primeira estrutura de aprendizado de máquina para prever no-reflow pós-trombectomia usando características estruturadas e interpretáveis derivadas de sequências de DSA intra-procedimento.
2. Superioridade de Características Derivadas de DSA: O estudo demonstra que características derivadas de DSA (especificamente descritores estatísticos e de série temporal) superam significativamente as linhas de base clínicas tradicionais na previsão de no-reflow.
3. Interpretabilidade Fisiológica: Através da análise de importância das características, os autores identificam preditores fisiologicamente significativos, como intensidade máxima do traçador, variância temporal e decaimento do fluxo, vinculando-os à falha de perfusão a jusante e disfunção microvascular.

Resultados

• Desempenho: O modelo de conjunto combinado (CLN + TSF + RAW) alcançou uma AUROC de 0,9330 (p = 0,006) e uma precisão de 0,9231. Isso superou significativamente a linha de base clínica (AUROC: 0,7768).
• Análise de Características:
  • Modelos usando apenas características derivadas de DSA (RAW ou TSF) alcançaram alto desempenho (AUROC ~0,90–0,91), sugerindo que variáveis clínicas de base contribuem com informações adicionais limitadas além dos dados angiográficos.
  • Os conjuntos de características FLOW e SIPS foram os mais preditivos entre as características estatísticas, particularmente quando derivados de sinais pós-procedimento.
  • A análise de importância das características revelou que as dinâmicas da fase arterial precoce (características RAW) e as características de lavagem pós-pico (duração do platô, assimetria) foram os preditores dominantes.
• Análise de Subgrupos: O modelo manteve desempenho consistente em subgrupos estratificados por escore mTICI (2c vs. 3), sexo, raça, idade e gravidade basal do AVC (NIHSS), sem diferenças estatisticamente significativas no comportamento do modelo (todos p > 0,1).
• Revocação (Recall): Os modelos de melhor desempenho alcançaram revocação perfeita (1,0000), identificando 100% dos casos de no-reflow nesta coorte.

Significado e Alegações
O artigo afirma que o DSA-NRP estabelece uma fundação preliminar para previsão imediata e precisa de no-reflow sem dependência de imagens atrasadas. Ao aproveitar as dinâmicas de perfusão de DSA intra-procedimento, a abordagem permite que os clínicos gerenciem proativamente pacientes de alto risco através de intervenções direcionadas (por exemplo, cuidados neurológicos críticos, controle da pressão arterial ou trombólise intra-arterial) enquanto o paciente ainda está na sala de angiografia.

Os autores enfatizam que, embora os resultados sejam promissores, são preliminares devido ao pequeno tamanho da amostra (n=39) e à natureza de único centro do estudo. Eles afirmam explicitamente que as descobertas requerem validação em coortes maiores, independentes e multicêntricas antes da implementação clínica. O trabalho serve como uma prova de conceito de que informações sobre integridade microvascular estão codificadas em sequências padrão de DSA e podem ser extraídas via aprendizado de máquina para melhorar os fluxos de trabalho de cuidado do AVC.