ANALISI DEI FATTORI DI RISCHIO CLINICI E STRUMENTALI PER L'OUTCOME DELL'ICTUS ISCHEMICO: UNO STUDIO PROSPETTICO

Background and Purpose: Ischemic stroke remains a leading cause of mortality and disability worldwide, with mechanical thrombectomy established as a standard treatment for large vessel occlusions. However, clinical outcomes vary depending on multiple clinical and therapeutic factors. This study employed a machine learning approach to accurately identify predictors of clinical improvement, stability, or worsening in patients undergoing thrombectomy, focusing on the role of modifiable and non-modifiable variables. Methods: A XGBoost algorithm was trained on clinical data from patients with ischemic stroke treated with mechanical thrombectomy. Outcomes were assessed by stratifying the National Institutes of Health Stroke Scale (NIHSS) score into three classes: Class 0 (neutral outcome, no significant change), Class 1 (improvement), and Class 2 (worsening), comparing NIHSS scores at admission and discharge (categories: mild 1-4, moderate 5-15, moderate-to-severe 16-20, severe 21-42). Permutation Importance and SHAP (SHapley Additive exPlanations) analyses were used to evaluate the relative weight and specific impact of clinical, hemodynamic, and therapeutic variables on outcomes. Results: Permutation Importance analysis identified primary prevention medications, particularly heparin, as the most influential variable, followed by neutrophil levels and blood glucose at admission, highlighting the critical role of pharmacological prevention and systemic inflammation. For Class 0 (neutral outcome), a history of prior cerebral ischemia and left-hemisphere stroke were associated with positive SHAP values, favoring clinical stability, often linked to moderate-to-severe or severe NIHSS scores. Left-hemisphere strokes, frequently affecting areas such as Broca’s or Wernicke’s regions, lead to deficits like aphasia or apraxia, significantly complicating functional recovery. In Class 1 (improvement), cardioembolic and lacunar subtypes (TOAST classification), primary prevention medications (e.g., statins), and hypercholesterolemia were associated with positive SHAP values, enhancing the likelihood of improvement, while atrial fibrillation, diabetes mellitus, and ischemic heart disease reduced it. For Class 2 (worsening), the absence of statins, elevated systolic blood pressure, ischemic heart disease, smoking, and alcohol abuse were associated with positive SHAP values, increasing the risk of clinical deterioration. Conclusions: This study underscores the importance of optimizing pharmacological prevention and hemodynamic control to improve outcomes post-thrombectomy. The association between hypercholesterolemia and improved outcomes, likely mediated by statins, represents a novel finding. These results advocate for personalized rehabilitation strategies, considering functional differences between left- and right-hemisphere strokes. Future studies should incorporate advanced imaging parameters and long-term follow-up to refine the clinical management of ischemic stroke.

Oggetto di studio: L’ictus ischemico rappresenta una delle principali cause di mortalità e disabilità a livello globale, con la trombectomia meccanica come trattamento standard per occlusioni di grandi vasi. Tuttavia, l’outcome clinico varia in base a fattori clinici e terapeutici. Questo studio ha impiegato un approccio di machine learning per identificare, con precisione, i predittori di miglioramento, stabilità o peggioramento clinico in pazienti sottoposti a trombectomia, analizzando il ruolo di variabili modificabili e non modificabili. Metodi: È stato utilizzato un algoritmo XGBoost, addestrato su dati clinici di pazienti con ictus ischemico trattati con trombectomia. L’outcome è stato definito tramite la stratificazione del punteggio NIHSS (National Institutes of Health Stroke Scale) in tre classi: Classe 0 (esito neutro, nessuna variazione significativa), Classe 1 (miglioramento) e Classe 2 (peggioramento), confrontando il NIHSS all’ingresso e alla dimissione (categorie: lieve 1-4, moderato 5-15, moderato-grave 16-20, grave 21-42). Le analisi di Permutation Importance e SHAP (SHapley Additive exPlanations) hanno valutato il peso e l’impatto specifico delle variabili cliniche, emodinamiche e terapeutiche sull’outcome. Risultati: L’analisi di Permutation Importance ha identificato i farmaci in prevenzione primaria (in particolare eparina) come la variabile più influente, seguita dai livelli di neutrofili e dalla glicemia in pronto soccorso, sottolineando il ruolo critico di prevenzione farmacologica e infiammazione sistemica. Per la Classe 0 (esito neutro), la storia di ischemia cerebrale pregressa e gli ictus nell’emisfero sinistro favoriscono la stabilità, spesso associata a NIHSS moderato-grave o grave, con deficit come afasia o aprassia che complicano il recupero funzionale. Nella Classe 1 (miglioramento), i sottotipi cardioembolici e lacunari (TOAST), i farmaci preventivi (es. statine) e l’ipercolesterolemia aumentano la probabilità di miglioramento, mentre fibrillazione atriale, diabete mellito e cardiopatia ischemica la riducono. Per la Classe 2 (peggioramento), l’assenza di statine, l’ipertensione sistolica, la cardiopatia ischemica, il fumo e l’abuso di alcolici incrementano il rischio di deterioramento. Conclusioni: Questo studio evidenzia l’importanza di ottimizzare la prevenzione farmacologica e il controllo emodinamico per migliorare l’outcome post-trombectomia. L’associazione tra ipercolesterolemia e miglioramento, probabilmente mediata dalle statine, rappresenta un’osservazione innovativa. I risultati suggeriscono approcci riabilitativi personalizzati, considerando le differenze funzionali tra ictus sinistri e destri. Futuri studi dovrebbero integrare parametri di imaging avanzato e follow-up a lungo termine per affinare la gestione clinica dell’ictus ischemico.