Estratègies per a agilitzar la detecció d'oclusions vasculars en pacients amb ictus isquèmic agut

Abstract

Introducció: El tractament endovascular ha esdevingut la teràpia estàndard en pacients amb ictus isquèmic amb oclusió de gran vas. Cada vegada hi ha més interès en estudiar l’eficàcia de la trombectomia mecànica en oclusions de vasos més distals, per això cal assegurar que aquestes oclusions s’identifiquen de forma precisa. Objectius: Analitzar la precisió en la detecció d’oclusions vasculars en les diferents modalitats d’imatge utilitzades de forma rutinària i analitzar si és possible la detecció d’oclusions vasculars en una tomografia computeritzada (TC) sense contrast a partir d’un algoritme d’intel·ligència artificial. Mètodes: Es va realitzar un anàlisi retrospectiu de pacients amb sospita d’ictus isquèmic valorats a centres terciaris, als que se’ls va realitzar un estudi basal d’imatge que constava de: TC sense contrast, angio-TC i, en alguns casos, TC de perfusió. Es va analitzar la sensibilitat de la lectura aïllada de l’angio-TC per part de dos neuroradiòlegs. En un segon lloc es va validar un algoritme d’intel·ligència artificial per a la detecció d’oclusions vasculars en la TC sense contrast. Resultats: La lectura aïllada de l’angio-TC per part dels radiòlegs va tenir una sensibilitat per a la detecció d’oclusions del 50.3% de forma global i del 69.9% entre els pacients que van rebre trombectomia mecànica. La sensibilitat va ser superior per oclusions més proximals (artèria caròtide interna: 91.7%, segment M1 d’artèria cerebral mitja: 84.4% i d’un 36.1% en la resta de localitzacions) i s’associava al volum d’hipoperfusió mesurat com a Tmax>6s (OR 1.03 (IC 95% 1.02-1.04, p<0.001)). Un algoritme d’intel·ligència artificial va tenir una sensibilitat per a la detecció d’oclusions vasculars proximals del 83.2%. La precisió de l’algoritme per predir la presència d’una oclusió de gran vas va ser similar a un punt de tall de NIHSS ≥ 10 (àrea sota la corba 0.86 vs. 0.87). La combinació de dades radiològiques i clíniques en l’algoritme va tenir la millor precisió (àrea sota la corba 0.91). La concordança en la lectura entre radiòlegs va oscil·lar entre 0.68-0.80. Conclusions: La lectura aïllada de l’angio-TC pot ometre la detecció d’oclusions vasculars en pacients candidats a tractament endovascular. El desenvolupament d’eines de suport al diagnòstic basades en algoritmes d’intel·ligència artificial podria ser una estratègia vàlida per incrementar la detecció d’oclusions en pacients amb sospita d’ictus agut sense necessitar proves d’imatge amb contrast.

Introducción: El tratamiento endovascular se ha convertido en la terapia estándar en pacientes con ictus isquémico con oclusión de gran vaso. El interés en estudiar la eficacia de la trombectomía mecánica en oclusiones de vasos más distales está aumentando, por lo que es necesario asegurar que estas oclusiones se identifican de forma precisa. Objetivos: Analizar la precisión en la detección de oclusiones vasculares en las diferentes modalidades de imagen utilizadas de forma rutinaria y analizar precisión en la detección de oclusiones vasculares en la tomografía computerizada (TC) sin contraste a partir de un algoritmo de inteligencia artificial. Métodos: Se realizó un análisis retrospectivo de pacientes con sospecha de ictus isquémico valorados en centros terciarios, a los que se les realizó un estudio basal de imagen que constaba de: TC sin contraste, angio-TC y, en algunos casos, TC de perfusión. Se analizó la sensibilidad de la lectura aislada del angio-TC por parte de dos neurorradiólogos. En un segundo lugar, se validó un algoritmo de inteligencia artificial para la detección de oclusiones vasculares en la TC sin contraste. Resultados: La lectura aislada del angio-TC por parte de los radiólogos tuvo una sensibilidad para la detección de oclusiones del 50,3% de forma global y del 69,9% entre los pacientes que recibieron trombectomía mecánica. La sensibilidad fue superior en oclusiones más proximales (arteria carótida interna: 91.7%, segmento M1 de arteria cerebral media: 84.4% y de un 36.1% en el resto de localizaciones) y se asociaba al volumen de hipoperfusión medido como a Tmax>6s (OR 1.03 (IC 95% 1.02-1.04, p<0.001)). Un algoritmo de inteligencia artificial tuvo una sensibilidad para la detección de oclusiones vasculares proximales del 83.2%. La precisión del algoritmo para predecir la presencia de una oclusión de gran vaso fue similar a un punto de corte de NIHSS ≥ 10 (área bajo la curva 0.86 vs. 0.87). La combinación de datos radiológicos y clínicos en el algoritmo tuvo la mejor precisión (área bajo la curva 0.91). La concordancia en la lectura entre radiólogos osciló entre 0,68-0,80. Conclusiones: La lectura aislada del angio-TC puede omitir la detección de oclusiones vasculares en pacientes candidatos a tratamiento endovascular. El desarrollo de herramientas de soporte al diagnóstico basadas en algoritmos de inteligencia artificial podría ser una estrategia válida para incrementar la detección de oclusiones en pacientes con sospecha de ictus agudo sin necesitar pruebas de imagen con contraste.

Introduction: Mechanical thrombectomy has become the standard therapy in patients with acute ischemic stroke due to large vessel occlusion. There is also a growing interest in determining the efficacy of mechanical thrombectomy in distal vessel occlusions. Therefore, it is necessary to accurately detect these occlusions in the initial evaluation of acute ischemic stroke patients. Purpose: The aim is to analyze the accuracy in the detection of vessel occlusions using the different neuroimaging modalities and to determine if a deep-learning algorithm can reliably detect vascular occlusions on a non-contrast computed tomography (NCCT). Methods:We performed a retrospective analysis of patients with suspected acute ischemic stroke that were evaluated in comprehensive stroke centers. All patients received a baseline NCCT, CT angiography (CTA) and in some cases CT perfusion. We evaluated the sensibility of CTA readings by two neuroradiologists. In a second analysis, we validated a deep-learning algorithm that detects vessel occlusions on NCCT. Results: Sensitivity of CTA readings at detecting vessel occlusions was 50.3% globally and 69.9% for patients that underwent mechanical thrombectomy. Sensitivity was higher for proximal large vessel occlusions (internal carotid: 91.7%, middle cerebral artery M1 segment: 84.4%, and 36.1% in other locations) and it was associated with Tmax>6s hypoperfusion volume (OR 1.03 (CI 95% 1.02-1.04, p<0.001)). A deep learning algorithm showed a sensitivity at detecting proximal vessel occlusions of 83.2%. The accuracy of the algorithm at determining the presence of a large vessel occlusion was similar to a NIHSS cut-off point of ≥ 10 (area under the curve of 0.86 vs. 0.87 respectively). The combination of radiological and clinical data in the Machine learning algorithm obtained the best accuracy (area under the curve 0.91). Inter-rater agreement between radiologists ranged from 0.68 to 0.80. Conclusions: Assessment of vessel occlusions solely based on CTA may result in missing potential EVT candidates. The development of diagnostic aid tools based on machine learning algorithms might be a useful strategy to increase the detection of vessel occlusions without need of contrast enhanced imaging in suspected acute stroke patients.