Faktor Risiko dan Model Prognostik pada Stroke Oklusi Pembuluh Darah Besar Akut: Wawasan dari ASPECTS-Net Water Uptake

ABSTRAK
Latar belakang
Hasil reperfusi endovaskular pada stroke oklusi pembuluh darah besar akut (ALVOS) bervariasi, dengan beberapa pasien pulih sepenuhnya sementara yang lain menghadapi kecacatan atau kematian meskipun telah dilakukan rekanalisasi. Alberta stroke program early CT score-net water uptake (ASPECTS-NWU), metrik pencitraan kuantitatif yang menilai edema jaringan dan perkembangan infark, dapat meningkatkan akurasi prognosis.

Metode
Studi ini mencakup 96 pasien ALVOS antara Desember 2020 dan Maret 2024. Pasien dikategorikan ke dalam kelompok prognosis baik (skala Rankin termodifikasi [mRS] 0–2) dan buruk (mRS 3–6) berdasarkan hasil mRS 90 hari. Pemilihan fitur menggunakan Least Absolute Shrinkage and Selection Operator (LASSO), Boruta, dan regresi logistik (LR) mengidentifikasi prediktor utama, termasuk LVO, Alberta Stroke Program Early CT Score (ASPECTS), ASPECTS from the follow-up CT (ASPECTSFCT), dan skor National Institutes of Health Stroke Scale (NIHSS). Kinerja prediktif divalidasi dengan validasi silang, dan kalibrasi model dinilai melalui kurva kalibrasi, kurva receiver operating Characteristics (ROC), area under the curve (AUC), dan Spiegelhalter Z -test (signifikansi ditetapkan pada p < 0,05).

Hasil
LR menyoroti LVO, ASPECTS, ASPECTSFCT, dan NIHSS sebagai prediktor signifikan prognosis buruk. Nomogram yang dibangun memungkinkan penilaian risiko individual, dengan total poin berkorelasi dengan probabilitas hasil buruk. Analisis ROC menunjukkan kemampuan diskriminatif yang baik dalam set pelatihan (AUC 0,815, interval kepercayaan [CI] 95%: 0,714–0,916) tetapi kinerja sedang dalam set pengujian (AUC 0,688, CI 95%: 0,484–0,891). Kalibrasi kuat dalam set pelatihan (Spiegelhalter Z < 0,0001) tetapi menunjukkan masalah kecil dalam set pengujian (Spiegelhalter Z = 1,222).

Kesimpulan
Studi ini menyoroti nilai prognostik ASPECTS-NWU dalam ALVOS dan integrasinya ke dalam nomogram prediktif untuk penilaian risiko individual. Dengan menyempurnakan stratifikasi cedera iskemik, ASPECTS-NWU dapat memandu keputusan terapeutik, mengoptimalkan manajemen pasca-reperfusi, dan meningkatkan hasil pasien.

Singkatan
AIS
stroke iskemik akut
ALVOS
sirkulasi anterior stroke oklusif pembuluh darah besar akut
ASPEK
Skor CT awal program stroke Alberta
AUC
area di bawah kurva
CI (Konvensi Komunikasi)
interval kepercayaan
DIA
Satuan Hounsfield
LASO
Operator Penyusutan dan Pemilihan Absolut Terkecil
Bahasa Indonesia: LR
regresi logistik
nyonya
skala Rankin yang dimodifikasi
NIHSS
Skala Stroke Institut Kesehatan Nasional
Universitas Negeri Wu
penyerapan air bersih
Bahasa Inggris ROC
karakteristik operasi penerima
laba atas investasi (ROI)
wilayah minat
1 Pendahuluan
Stroke iskemik akut (AIS) masih menjadi beban kesehatan global yang besar, dengan stroke oklusi pembuluh darah besar akut (ALVOS) sirkulasi anterior membawa risiko yang sangat tinggi berupa gangguan neurologis berat dan kematian (Feigin et al. 2019 ; Powers 2020 ). Meskipun ada kemajuan dalam terapi reperfusi endovaskular, sebagian besar pasien ALVOS mengalami hasil fungsional yang buruk, bahkan setelah rekanalisasi berhasil (Dekker et al. 2023 ). Studi menunjukkan bahwa hingga 50% pasien gagal mencapai kemandirian fungsional pasca reperfusi, yang menggarisbawahi perlunya alat prognostik yang lebih tepat untuk memandu keputusan klinis dini (Baron 2018 ; Wang et al. 2024 ). Prognosis dini yang akurat sangat penting untuk mengoptimalkan manajemen pasien, karena memungkinkan stratifikasi risiko yang tepat waktu, memprioritaskan pemantauan intensif, dan alokasi sumber daya rehabilitasi (Phipps dan Cronin 2020 ).

Alberta Stroke Program Early CT Score (ASPECTS) digunakan secara luas untuk menilai perubahan iskemik dini pada stroke akut (Baig et al. 2023 ). Meskipun ASPECTS memberikan wawasan struktural yang berharga, ia tidak menangkap perkembangan iskemik dinamis atau pembentukan edema, yang keduanya berdampak signifikan pada hasil pasien (Broocks et al. 2020 ; Teo et al. 2021 ). ASPECTS-net water uptake (ASPECTS-NWU) menyempurnakan pendekatan ini dengan mengukur edema iskemik, menawarkan penilaian viabilitas jaringan yang lebih komprehensif (Broocks et al. 2024 ). Dengan mengukur perbedaan penyerapan air antara daerah otak iskemik dan non-iskemik, ASPECTS-NWU memberikan indikator perkembangan infark yang lebih tepat, meningkatkan prediksi risiko dan memandu keputusan pengobatan pada pasien ALVOS (Lu et al. 2022 ).

Meskipun ada kemajuan dalam pencitraan stroke, model prognostik yang ada tidak memiliki akurasi yang memadai untuk prediksi risiko individual (Ballout et al. 2024 ). ASPECTS terutama mengevaluasi luasnya infark, sedangkan skala klinis yang digunakan secara luas seperti National Institutes of Health Stroke Scale (NIHSS) hanya memberikan penilaian tingkat keparahan umum, gagal mengidentifikasi pasien berisiko tinggi yang memerlukan intervensi dini secara spesifik (Saito et al. 2020 ). Meskipun penanda pencitraan multimoda telah dieksplorasi untuk meningkatkan stratifikasi risiko, banyak model saat ini bergantung pada penilaian kualitatif atau semi-kuantitatif, yang mengarah pada inkonsistensi dan variabilitas antar pengamat (Czap dan Sheth 2021 ; Jiang et al. 2024 ). Untuk mengatasi kesenjangan ini, kami mengusulkan nomogram berbasis ASPECTS-NWU yang mengintegrasikan pencitraan utama dan prediktor klinis ke dalam model risiko kuantitatif yang objektif. Alat ini bertujuan untuk meningkatkan penilaian risiko individual, meningkatkan stratifikasi pasien, dan memfasilitasi pengambilan keputusan terapeutik yang tepat waktu. Dengan mengidentifikasi pasien berisiko tinggi sejak dini, nomogram dapat mendukung intervensi proaktif, mengoptimalkan alokasi sumber daya, dan pada akhirnya meningkatkan hasil pasca-reperfusi.

Meskipun penelitian sebelumnya telah menetapkan bahwa faktor-faktor seperti LVO, skor awal ASPECTS, dan skor NIHSS, berkorelasi secara signifikan dengan prognosis ALVOS (Singh et al. 2023 ; Al-Mufti et al. 2018 ), model prediktif terpadu yang menggabungkan metrik edema iskemik kuantitatif masih kurang. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi nilai prognosis ASPECTS-NWU, mengidentifikasi faktor risiko utama untuk hasil yang buruk, dan mengembangkan nomogram prediktif yang mengungguli model yang ada dalam prognosis ALVOS.

2 Bahan dan Metode
2.1 Desain Penelitian dan Pasien
Studi retrospektif ini dilakukan di Rumah Sakit Afiliasi Shunde, Universitas Jinan, dengan fokus pada pasien yang didiagnosis dengan ALVOS yang menjalani perawatan reperfusi antara Desember 2020 dan Maret 2024. Protokol studi disetujui oleh komite etik rumah sakit, dan persetujuan yang diberikan diperoleh dari semua pasien atau, dalam kasus di mana pasien tidak dapat memberikan persetujuan, dari perwakilan hukum mereka.

Kriteria inklusi terdiri dari orang dewasa berusia 18 tahun atau lebih dengan stroke sirkulasi anterior dan LVO yang dikonfirmasi melalui CT atau MRI. Pasien diklasifikasikan ke dalam dua kelompok berdasarkan hasil fungsional 90 hari menggunakan Skala Rankin yang dimodifikasi (mRS): prognosis baik (mRS 0–2) dan prognosis buruk (mRS 3–6) (Broderick et al. 2017 ). Seperti yang diilustrasikan dalam Gambar 1 , penelitian ini mengikuti proses seleksi pasien yang terstruktur. Dari 1355 pasien AIS yang awalnya disaring, 275 memenuhi kriteria untuk LVO sirkulasi anterior. Setelah menerapkan kriteria eksklusi tambahan—termasuk tidak adanya CT non-kontras (NCCT) saat masuk, kurangnya terapi reperfusi, tindak lanjut yang tidak lengkap, transformasi hemoragik, atau patologi intrakranial yang sudah ada sebelumnya—96 pasien dimasukkan dalam analisis akhir. Pasien-pasien ini kemudian diacak ke dalam set pelatihan ( N = 68) dan set uji ( N = 28) menggunakan rasio 7:3. Data demografi, karakteristik klinis, dan temuan pencitraan dari kelompok akhir dikumpulkan secara sistematis, termasuk skor NIHSS awal, ASPECTS, ASPECTSFCT, dan keberadaan LVO, yang dianalisis untuk mengidentifikasi faktor prognostik yang signifikan. Studi ini menggunakan proses pemilihan fitur yang ketat dengan menggunakan Least Absolute Shrinkage and Selection Operator (LASSO), Boruta, dan regresi logistik (LR) untuk menentukan prediktor prognosis buruk yang paling relevan pada pasien ALVOS.

2.2 Pemeriksaan CT Otak
Pemeriksaan CT otak dilakukan menggunakan pemindai CT spiral 64-slice 128-layer Siemens (SOMATOM Definition AS + 64 Slice). Pemindaian NCCT awal dilakukan untuk menyingkirkan kejadian hemoragik dan tumor otak. Parameter pemindaian untuk NCCT ditetapkan pada 120 kV, 420 mA, dengan ketebalan irisan dan interval 5 mm. Untuk evaluasi lebih lanjut, angiografi CT (CTA) kepala dan leher dilakukan, meliputi area dari percabangan trakea hingga puncak tengkorak. Ini termasuk dua fase pencitraan, diikuti oleh pencitraan peningkatan vaskular. Pemantauan peningkatan dimulai pada tingkat percabangan trakea, dengan wilayah yang diinginkan (ROI) ditempatkan pada aorta desendens. Nilai CT pemantauan dinamis ROI direkam menggunakan sistem pelacakan injeksi otomatis.

Dosis 50 mL zat kontras iodinasi non-ionik (iohexol, 370 mgI/mL) diberikan melalui injektor bertekanan tinggi melalui vena antekubital kanan, diikuti dengan pembilasan salin isotonik 40 mL pada 3,5 mL/detik. Pemantauan dimulai 10 detik pascainjeksi zat kontras, dengan ambang pemicu ditetapkan pada 100 HU. Pemindaian dimulai segera setelah mencapai ambang tersebut. Untuk CTA, parameter pemindaian mencakup tegangan tabung 120 kV, dengan arus tabung disesuaikan secara otomatis menggunakan teknologi Care Dose 4D untuk mengoptimalkan paparan radiasi. Parameter tambahan adalah pitch 1,1, kolimasi 128 × 0,6 mm, waktu rotasi 0,33 detik, dan ketebalan irisan 0,6 mm.

2.3 Titik Akhir dan Definisi
Titik akhir primer dari studi ini mencakup efikasi trombolisis intravena dengan alteplase dan hasil neurologis yang dinilai pada 90 hari pasca perawatan. Trombolisis intravena dipilih sebagai fokus utama karena merupakan terapi reperfusi lini pertama standar untuk AIS, yang sering kali mendahului atau melengkapi perawatan endovaskular (Widimsky et al. 2023 ). Mengevaluasi efikasinya memberikan wawasan tentang respons pengobatan dini, yang penting untuk memandu strategi manajemen stroke akut. Semua pasien dalam studi ini memenuhi syarat untuk trombolisis intravena dengan alteplase, yang diberikan sebagai perawatan reperfusi primer dalam jendela perawatan yang ditentukan. Namun, dalam kasus di mana pasien tidak memenuhi syarat untuk perawatan endovaskular atau menolak prosedur, manajemen medis konservatif diterapkan. Manajemen konservatif terdiri dari terapi antiplatelet ganda yang dikombinasikan dengan terapi statin intensitas tinggi, yang ditujukan untuk pencegahan stroke sekunder dan mengoptimalkan stabilisasi medis. Walaupun pasien-pasien ini tidak menjalani intervensi endovaskular, hasil neurologis mereka tetap dinilai bersama dengan kelompok perawatan utama untuk mengevaluasi faktor-faktor prognostik di berbagai pendekatan terapi.

Fungsi neurologis dinilai menggunakan NIHSS pada awal oleh dokter yang menangani. Pada 90 hari pasca perawatan, evaluasi neurologis dilakukan melalui tindak lanjut rawat jalan atau konsultasi telepon. mRS digunakan untuk mengkategorikan hasil pasien, dengan skor ≤2 menunjukkan hasil yang baik, sedangkan skor > 2 mencerminkan berbagai tingkat kecacatan, mulai dari gangguan fungsional sedang hingga kecacatan berat atau kematian.

2.4 Perhitungan ASPECTS-NWU
ASPECTS-NWU dievaluasi melalui analisis pencitraan komprehensif yang menggunakan perangkat lunak sistem penilaian ASPECT otomatis (SHUKUN-ASPECTS). Perangkat lunak ini menghitung nilai rata-rata unit Hounsfield (HU) untuk setiap ROI yang ditentukan pada pemindaian CT, sehingga memberikan penilaian objektif terhadap karakteristik jaringan iskemik.

Penggunaan nilai HU sudah mapan dalam pencitraan stroke, karena mencerminkan perubahan kepadatan jaringan yang terkait dengan infark dan edema. Untuk memperoleh nilai ASPECTS-NWU, pengukuran HU dilakukan dari daerah iskemik (HU_iskemik) dan daerah normal kontralateral (HU_normal), dengan perbedaan relatifnya dinyatakan sebagai persentase untuk mewakili luasnya NWU. Pendekatan ini khususnya relevan karena perbedaan atenuasi HU berkorelasi dengan tingkat keparahan edema iskemik, menjadikannya penanda yang andal untuk perkembangan infark; normalisasi menggunakan daerah normal kontralateral memperhitungkan variabilitas antarpasien dalam atenuasi CT awal, meningkatkan konsistensi di seluruh pengukuran; dan mengukur NWU memungkinkan evaluasi yang lebih tepat terhadap kerusakan iskemik dini dan dampak potensialnya pada hasil pasca-reperfusi. Rumus yang digunakan untuk menghitung ASPECTS-NWU% adalah sebagai berikut:

Selain perhitungan ASPECTS-NWU awal saat masuk, pemindaian CT lanjutan dilakukan untuk memantau perkembangan edema iskemik dan menilai perubahan dinamis dalam evolusi infark pasca-reperfusi. Mengingat pembentukan edema merupakan penentu utama cedera otak sekunder, perubahan NWU (ΔNWU) dari waktu ke waktu memberikan wawasan berharga tentang efektivitas terapi reperfusi dan risiko penurunan neurologis lebih lanjut. Perkembangan edema lesi diukur menggunakan ΔNWU, yang didefinisikan sebagai perbedaan antara ASPECTS-NWU dari CT lanjutan (ASPECTS-NWUFCT) dan CT saat masuk (ASPECTS-NWU saat masuk). Rumus untuk ΔNWU dinyatakan sebagai berikut:

2.5 Analisis Statistik
Analisis statistik dilakukan menggunakan perangkat lunak R, versi 4.3.1 (paket meta, R foundation). Statistik deskriptif dihitung, dengan variabel kontinu dilaporkan sebagai mean ± simpangan baku (SD) atau median (rentang interkuartil [IQR]), tergantung pada distribusi data, dan variabel kategorikal disajikan sebagai frekuensi dan persentase. Perbandingan kelompok berdasarkan hasil 90 hari dilakukan menggunakan uji- t atau uji Mann–Whitney U untuk variabel kontinu, tergantung pada kenormalan, dan uji Chi-square atau uji eksak Fisher untuk variabel kategorikal, sebagaimana mestinya.

Pemilihan fitur untuk pemodelan prediktif dilakukan dengan menggunakan regresi LASSO, Boruta, dan LR, yang masing-masing dipilih karena kekuatannya yang berbeda dalam mengidentifikasi variabel prognostik utama (Fahimifar et al. 2023 ). Regresi LASSO diterapkan untuk menangani data berdimensi tinggi dan mengurangi multikolinearitas dengan mengecilkan koefisien yang kurang relevan menjadi nol, memastikan retensi hanya variabel yang paling prediktif (Wu et al. 2024 ). Boruta, algoritma pemilihan fitur berdasarkan Random Forest, mengidentifikasi prediktor yang paling relevan dengan membandingkannya secara berulang dengan variabel bayangan acak, meningkatkan ketahanan terhadap noise dan redundansi (Liao et al. 2024 ). LR dipilih karena kemampuannya untuk membangun model prediktif yang dapat diinterpretasikan dengan kinerja yang mapan dalam tugas klasifikasi biner. Kinerja model LR dievaluasi melalui teknik k -fold cross-validation untuk memastikan ketahanan. Kalibrasi model dinilai dengan kurva kalibrasi, sedangkan kemampuan diskriminatif diukur menggunakan kurva karakteristik operasi penerima (ROC), dengan area di bawah kurva (AUC) dihitung bersamaan dengan interval kepercayaan (CI) 95%. Signifikansi statistik ditetapkan pada ambang batas p < 0,05.

3 Hasil
3.1 Data Demografi dan Klinis
Sebanyak 96 pasien yang didiagnosis dengan ALVOS diikutsertakan dalam penelitian ini. Karakteristik demografi dan klinis populasi penelitian, yang dikelompokkan berdasarkan hasil mRS, dirangkum dalam Tabel 1 .

TABEL 1. Karakteristik dasar menurut kelompok Skala Rankin termodifikasi (mRS) (baik vs. buruk) dalam set pelatihan dan pengujian.

Singkatan: ASPECTS, Skor CT Awal Program Stroke Alberta; LVO, oklusi pembuluh darah besar; SD, deviasi standar.
Variabel kontinyu disajikan sebagai mean ± SD, dan variabel kategoris sebagai angka (%).
Nilai b p dihitung menggunakan uji t Student untuk variabel kontinu dan uji χ 2 atau uji pasti Fisher untuk variabel kategoris.

Dalam set pelatihan ( N = 68), 41 pasien diklasifikasikan sebagai memiliki prognosis baik (mRS 0–2) dan 27 sebagai memiliki prognosis buruk (mRS 3–6). Dalam set pengujian ( N = 28), 16 pasien berada dalam kelompok prognosis baik, sedangkan 12 berada dalam kelompok prognosis buruk. Temuan utama dari set pelatihan mencakup perbedaan signifikan dalam skor ASPECTS dan nilai NWU (ASPECTS-NWU) antara kelompok prognosis baik dan buruk. Secara khusus, kelompok prognosis baik memiliki skor ASPECTS yang lebih tinggi (9,5 ± 1,1 vs. 8,2 ± 2,1, p = 0,005) dan ASPECTS-NWUFCT (2,8 ± 2,0 vs. 5,9 ± 4,6, p = 0,002) dibandingkan dengan kelompok prognosis buruk. Khususnya, perkembangan ΔNWU secara signifikan lebih besar pada kelompok prognosis buruk (3,4 ± 4,7 vs. 0,6 ± 2,0, p = 0,007). Dalam set uji, kelompok prognosis baik juga menunjukkan skor ASPECTS yang lebih tinggi (9,4 ± 1,0 vs. 8,8 ± 2,8, p = 0,435) dibandingkan dengan kelompok prognosis buruk, meskipun perbedaan ini tidak mencapai signifikansi statistik. Akan tetapi, waktu dari timbulnya gejala hingga pencitraan secara signifikan lebih singkat untuk kelompok prognosis baik (22,7 ± 6,2 vs. 16,6 ± 8,2, p = 0,034).

3.2 Pemilihan Faktor Risiko
Untuk mengidentifikasi prediktor signifikan untuk prognosis buruk pada pasien ALVOS, kami menerapkan regresi LASSO, Boruta, dan LR univariabel untuk pemilihan fitur. Setiap metode berkontribusi untuk menyempurnakan set variabel, yang pada akhirnya meningkatkan ketahanan model prediktif akhir. Sebelum menerapkan pemilihan fitur, pertama-tama kami mengeksplorasi hubungan antara variabel klinis dan pencitraan menggunakan matriks korelasi (Gambar S1 ). Analisis ini mengungkapkan korelasi kuat antara variabel kunci seperti ASPECTS, ASPECTSFCT, dan NIHSS, yang menunjukkan relevansi potensial mereka dalam memprediksi hasil yang buruk pada pasien ALVOS.

Gambar 2A mengilustrasikan hasil regresi LASSO, yang secara sistematis mengurangi koefisien variabel yang kurang berdampak menjadi nol ketika parameter regularisasi (lambda) meningkat, yang secara efektif mempersempit set prediktor. Pendekatan ini menyoroti prediktor utama, seperti ASPECTS, ASPECTSFCT, NIHSS, dan LVO, sebagai kontributor penting terhadap risiko hasil yang buruk (Gambar S2 ). Demikian pula, Gambar 2B menyajikan peringkat kepentingan variabel algoritma Boruta, yang mengonfirmasi signifikansi prediktor ini dengan membandingkannya secara berulang dengan variabel bayangan yang dipermutasi secara acak. Teknik ini menegaskan kembali relevansi ASPECTS, ASPECTSFCT, NIHSS, dan LVO, yang menunjukkan pentingnya yang konsisten di beberapa kriteria pemilihan (Tabel S1 ). Lebih jauh, Gambar 2C menampilkan hasil LR univariabel, di mana rasio peluang dihitung untuk setiap prediktor kandidat. Berdasarkan hasil analisis LR univariabel, beberapa variabel kunci diidentifikasi dengan AUC lebih besar dari 0,65 (Wang et al. 2020 ), yang menunjukkan kemampuan diskriminatif sedang hingga baik untuk memprediksi prognosis buruk pada pasien ALVOS (Tabel S2 ).

Terakhir, Gambar 2D merangkum hasil yang tumpang tindih dari LASSO, Boruta, dan LR univariabel dalam diagram Venn, yang menunjukkan bahwa ASPECTS, ASPECTSFCT, LVO, dan NIHSS secara konsisten dipilih sebagai prediktor utama di semua metode. Validasi multi-metode ini memberikan bukti kuat tentang kekuatan prediktif variabel-variabel ini, yang mendukung penyertaannya dalam model prognostik akhir.

3.3 Pengembangan dan Validasi Model
Pengembangan model prediktif untuk prognosis buruk pada pasien ALVOS dipandu oleh integrasi variabel klinis dan pencitraan, termasuk status LVO, ASPECTS, ASPECTSFCT, dan skor NIHSS. Variabel-variabel ini dipilih berdasarkan signifikansi statistik dan relevansinya terhadap hasil pasien.

Untuk mengevaluasi kinerja model, kami melakukan analisis diskriminasi dan kalibrasi. Gambar 3A menyajikan kurva ROC untuk set data pelatihan dan pengujian, yang menunjukkan kemampuan model untuk membedakan antara hasil prognostik yang baik dan yang buruk. Model mencapai AUC sebesar 0,815 (95% CI: 0,714–0,916) dalam set pelatihan, yang menunjukkan kemampuan diskriminatif yang baik. Namun, dalam set pengujian, AUC adalah 0,688 (95% CI: 0,484–0,891), yang menunjukkan kinerja sedang dan menyoroti perlunya penyempurnaan model lebih lanjut untuk meningkatkan generalisasi. Kalibrasi model dinilai menggunakan kurva kalibrasi, seperti yang ditunjukkan pada Gambar 3B . Dalam set pelatihan, model menunjukkan kalibrasi yang sangat baik (Spiegelhalter Z < 0,0001), yang menunjukkan kesepakatan yang kuat antara hasil yang diprediksi dan yang diamati. Sebaliknya, perangkat uji menunjukkan beberapa masalah kalibrasi, dengan skor Spiegelhalter Z sebesar 1,222, yang menunjukkan sedikit perkiraan risiko yang berlebihan dalam kasus tertentu. Temuan ini menggarisbawahi pentingnya validasi tambahan untuk memastikan kinerja model yang kuat di berbagai populasi pasien.

Nomogram dibuat untuk memberikan penilaian risiko individual untuk setiap pasien, seperti yang ditunjukkan pada Gambar 4. Alat ini memberikan poin untuk setiap prediktor berdasarkan kontribusinya terhadap model risiko, dengan skor kumulatif yang sesuai dengan kemungkinan prognosis yang buruk. Nomogram memfasilitasi estimasi risiko pasien secara cepat dengan menerjemahkan model LR yang kompleks menjadi representasi grafis yang mudah digunakan, sehingga membantu dalam pengambilan keputusan klinis.

4 Diskusi
Studi ini memberikan analisis komprehensif tentang faktor risiko yang terkait dengan prognosis buruk pada pasien ALVOS, dengan menggunakan model ASPECTS-NWU untuk meningkatkan ketepatan prognosis. Temuan kami mendukung kegunaan ASPECTS-NWU, bersama dengan faktor klinis seperti NIHSS, ASPECTSFCT, dan status LVO, dalam stratifikasi risiko dan memandu strategi pengobatan.

Model ASPECTS-NWU, yang menggabungkan metrik pencitraan kuantitatif, menawarkan pemahaman yang lebih bernuansa tentang viabilitas jaringan dan perkembangan infark daripada penilaian ASPECTS konvensional saja. Sesuai dengan literatur terkini, kami menemukan bahwa skor ASPECTS dan ASPECTSFCT yang lebih tinggi dikaitkan dengan prognosis yang lebih baik, sedangkan metrik NWU yang meningkat dikaitkan dengan hasil yang buruk, kemungkinan karena indikasi edema substansial dan ukuran infark (Ghozy et al. 2024 ; Ng et al. 2022 ). Hal ini menekankan pentingnya mengintegrasikan metrik pencitraan awal dan tindak lanjut dalam menilai tingkat keparahan stroke dan potensi pemulihan.

Penggunaan metode pemilihan fitur, termasuk regresi LASSO, Boruta, dan LR univariabel, memperkuat signifikansi variabel seperti ASPECTS, ASPECTSFCT, NIHSS, dan status LVO, dengan variabel-variabel ini muncul sebagai prediktor bersama di semua metode. Validasi multi-metode ini mendukung ketahanan fitur-fitur ini dalam memprediksi hasil ALVOS, seperti yang ditunjukkan dalam model akhir dengan AUC sebesar 0,815 dalam set pelatihan.

Model prediktif menunjukkan daya diskriminatif dan kalibrasi yang baik dalam set pelatihan, sebagaimana dibuktikan oleh kurva ROC dan plot kalibrasi. Namun, kinerja model dalam set pengujian relatif moderat (AUC = 0,688), yang menunjukkan potensi keterbatasan dalam generalisasi dan ketahanan. Untuk meningkatkan kinerja model, penelitian masa depan harus memprioritaskan perluasan set data dengan populasi pasien yang lebih besar dan lebih beragam di beberapa pusat (Srivastava et al. 2022 ). Ini tidak hanya akan meningkatkan daya statistik tetapi juga meningkatkan kemampuan beradaptasi model terhadap variasi dalam tingkat keparahan stroke, protokol pengobatan, dan praktik pencitraan. Selain itu, meskipun pendekatan ASPECTS-NWU memberikan metrik berbasis pencitraan yang lebih halus, pendekatan tersebut mungkin dibatasi oleh variabilitas dalam protokol pencitraan CT dan presisi pengukuran HU. Penelitian masa depan harus mempertimbangkan standarisasi parameter pencitraan untuk memastikan reproduktifitas dan meningkatkan penerapan klinis model (Jeon et al. 2023 ). Menetapkan pengaturan akuisisi CT yang selaras dan menggabungkan alur praproses gambar otomatis yang menerapkan teknik normalisasi HU dapat membantu mengurangi variabilitas antar-pemindai. Pendekatan lain yang menjanjikan adalah penggunaan teknik pembelajaran mesin untuk meningkatkan standarisasi pencitraan dan ekstraksi fitur. Algoritme berbasis pembelajaran mendalam yang dilatih pada berbagai kumpulan data dapat dimanfaatkan untuk secara otomatis menyesuaikan variasi khusus pemindai, mengelompokkan daerah iskemik dengan lebih akurat, dan menyempurnakan kuantifikasi NWU.

Nomogram yang dibangun berfungsi sebagai alat praktis bagi dokter, memfasilitasi penilaian risiko individual dengan menerjemahkan hasil LR yang kompleks ke dalam format grafis yang mudah diakses. Misalnya, pada pasien yang diprediksi memiliki risiko lebih tinggi terhadap hasil yang buruk, strategi rehabilitasi dini atau intervensi neuroprotektif dapat dimulai bersamaan dengan terapi reperfusi standar, memastikan pendekatan pengobatan yang lebih proaktif dan disesuaikan. Lebih jauh, pemantauan ASPECTS-NWU dari waktu ke waktu dapat membantu menyempurnakan manajemen pasca-reperfusi, mengidentifikasi pasien yang berisiko lebih tinggi untuk edema ganas atau transformasi hemoragik yang mungkin memerlukan konsultasi bedah saraf dini atau hemikraniektomi dekompresif. Di unit stroke atau pengaturan sumber daya terbatas, di mana pengambilan keputusan harus cepat dan tepat, mengintegrasikan ASPECTS-NWU ke dalam platform pencitraan otomatis dapat memfasilitasi stratifikasi risiko waktu nyata, mengoptimalkan triase pasien dan keputusan penerimaan ICU. Hal ini sejalan dengan meningkatnya penekanan pada pengobatan yang dipersonalisasi dalam manajemen stroke, di mana pendekatan pengobatan yang disesuaikan telah menunjukkan janji dalam meningkatkan hasil pasien (Al-Maini et al. 2023 ). Dengan mengintegrasikan penilaian risiko berbasis ASPECTS-NWU ke dalam alur kerja darurat, dokter dapat membuat keputusan berdasarkan data mengenai intervensi akut, strategi pencegahan sekunder, dan perencanaan rehabilitasi jangka panjang, yang pada akhirnya berkontribusi pada perawatan stroke yang lebih individual dan efektif.

Penelitian lebih lanjut harus bertujuan untuk memvalidasi model ini dalam kelompok yang lebih besar dan multisenter, memastikan penerapan yang lebih luas di seluruh populasi yang beragam. Mengintegrasikan modalitas pencitraan tingkat lanjut seperti MRI dan CT perfusi dapat memberikan penilaian yang lebih komprehensif tentang evolusi infark dan viabilitas jaringan. Pencitraan berbobot difusi dan pencitraan berbobot perfusi dapat meningkatkan karakterisasi infark, terutama ketika temuan CT non-kontras awal tidak meyakinkan. Pendekatan pembelajaran mesin juga dapat meningkatkan akurasi prediktif dengan memungkinkan integrasi data yang lebih canggih dari sumber multimoda (Daidone et al. 2024 ). Jaringan saraf konvolusional dan ekstraksi fitur berbasis radiomik dapat mengidentifikasi pola pencitraan halus yang diabaikan oleh sistem penilaian tradisional. Penelitian di masa depan harus mengeksplorasi model prognostik hibrida yang menggabungkan ASPECTS-NWU dengan fitur pencitraan perfusi dan difusi menggunakan analitik yang digerakkan oleh AI. Dengan mengintegrasikan penilaian berbasis CT kuantitatif dengan wawasan berbobot perfusi dan pengenalan pola yang digerakkan oleh AI, prognostikasi stroke dapat disempurnakan lebih lanjut untuk mendukung strategi perawatan yang dipersonalisasi.

5 Kesimpulan
Sebagai kesimpulan, studi ini menyoroti potensi ASPECTS-NWU dan faktor pencitraan klinis lainnya dalam memprediksi hasil ALVOS. Nomogram yang dikembangkan menawarkan alat yang mudah diakses untuk stratifikasi risiko, yang berkontribusi pada manajemen stroke yang dipersonalisasi. Penelitian lebih lanjut untuk memvalidasi dan menyempurnakan model ini pada akhirnya dapat meningkatkan akurasi prognosis, memandu keputusan pengobatan, dan meningkatkan perawatan pasien dalam AIS.