停止中风：急性治疗环境中的中风结果预测 (STOP-STroke)

为了避免急性中风造成不可逆转的脑损伤，神经科医生必须在巨大的时间压力下做出治疗决定。 在当前的临床实践中，神经科医生决定使用脑部扫描的目视检查和建立的临床参数。 尽管数据量很大，统计或机器学习模型尚未达到临床实践来指导决策。 这在很大程度上是因为医生无法评估这些模型的可信度，并且当前的模型无法处理多模式输入数据。 由于急性中风治疗领域不​​断发展，迫切需要提高我们对决定中风患者预后和治疗反应的因素的理解。 我们相信，该项目将为中风结果预测提供新的见解，并有助于将机器学习算法的数据整合到临床常规中。

神经科医生对中风结果的预测 当患者到达中风科室时，治疗团队会不断整合有关最佳治疗方案或并发症风险的信息。 为了预测患者的治疗结果，神经科医生依靠结构化表格数据（例如年龄、性别和血压）和非结构化数据（例如医学图像数据）。 目前对治疗时间窗外中风患者治疗成功的预测通常基于大脑图像（Joundi 等，2017）。 神经病学 97：S68-S78）。 弥散和灌注加权成像（DWI/PWI）用于识别梗塞核心和低灌注区域，从而对处于风险的组织进行估计，称为“不匹配”（Heiss WD 等，2017）。 《国际中风》14：351-8）。 大的不匹配和小梗塞核心被认为是治疗成功的替代标志，这就是临床试验经常预先选择此类患者的原因（Albers GW 等，2017）。 新英格兰医学杂志 378:708-18）。 然而，最近的研究质疑这种预选的有效性。 例如，新颖的汇总数据分析表明，患有大面积梗塞核心的患者也受益于血管内治疗（Campbell BCW el a. Lancet Neurol 18：46-55）。 此外，对预先选择的患者进行的研究不允许对缺乏错配或大核心的患者的治疗效果得出任何结论。 越来越明显的是，具有大核心或缺乏错配的患者也可以从血管内血栓切除术治疗中受益（Karamchandani RR 等，2017）。 J Stroke Cerebrovasc Dis 31：106548）。 我们期望精细的建模方法以及成像和临床参数的整合将产生更好的预后因素和更可靠的结果预测。

中风结果的计算机辅助预测 对于中风患者的计算机辅助结果预测，分数是根据一些预先选择的表格特征（例如年龄和性别）以及基础逻辑回归模型开发的。 虽然这些方法稍微优于基于分数的方法，但它们缺乏可解释性。 因此，目前临床常规中还没有使用计算机辅助结果预测工具。

之前的准备工作 在最近进行的一个项目中，我们分析了一组患有 LVO 的中风患者的 DWI 成像特征和灌注成像数据，例如 TTP、CBF、CBV 和 TMAX，这些患者均在伯尔尼 InselSpital 接受 MT 治疗。 我们测试了源自常规临床软件的普遍接受的错配概念是否确实增强了个体患者的结果预测。 我们证明，除了临床参数之外，核心体积和错配体积都没有显着改善结果预测（Hamann J 等人，2017）。 欧洲神经学杂志 28：1234-43）。 为了实现临床医生值得信赖的中风结果预测模型，我们开发了基于深度学习 (DL) 的模型，该模型不仅可以集成结构化和非结构化数据，还可以生成比值比等临床参数的可解释参数估计 (https://www .sciencedirect.com/science/article/abs/pii/S003132032100443X）。 我们将它们应用于伯尔尼大学医院治疗的缺血性中风患者的数据（https://arxiv.org/abs/2206.13302），并通过执行盲法预测挑战来调查我们的模型是否可以与经验丰富的神经科医生竞争，其中五名神经科医生和我们的为训练好的深度学习模型提供了与中风患者相同的结构化临床数据。 在这个实验中，我们的模型往往表现出更好的性能，特别是在提供图像数据时（Herzog L 等人，2017）。 中风。 2023 年 7 月；54(7):1761-1769)。

因此，本中风停止研究旨在通过评估临床医生的结果估计以及我们训练的深度学习模型来改善中风后早期的结果预测。 因此，我们尝试实施一种新的预测工具，这有助于支持治疗决策和个性化患者护理。

停止中风的主要和次要终点：

该研究的主要终点将是由 mRS 在 3 个月时评估的实际中风相关残疾，以及急性缺血性中风 (AIS) 后 24 小时和 3 个月后的 NIHSS（中风严重程度）。 可能影响主要终点的基线因素包括年龄、性别、血管危险因素、治疗时间、卒中前的独立性等。次要终点是卒中单元一侧治疗神经科医生的预测 mRS 评分以及通过以下方法预测的 mRS 评分：另一方面是 DL 模型。

项目设计：

这是在 USZ 神经病学系进行的一个单中心项目。 研究设计将是探索性的。

招募、筛选和知情同意程序：

招募地点将是 USZ 神经内科。 我们计划进行一项单中心研究。 上午 7 点至下午 5 点期间转诊至 USZ 卒中科室的所有疑似 AIS 的患者都将接受研究团队的筛查。 这些患者将根据研究团队在日常临床实践中连续进行的招募进行招募。 筛选过程将按照以下部分所述进行。 如果怀疑 AIS 的患者到达 USZ 卒中科室，如果没有拒绝使用已记录的数据（先前反对 GC），则将接受筛查。 如果是，这些患者将不会被考虑参加该研究。 如果没有，将要求独立医生代表患者同意，以免延误紧急治疗。 独立医生可以是不属于研究团队的任何医生，他们将被告知他们的参与是自愿的，并且可以随时退出。 一旦患者在住院期间或至少在 3 个月的常规随访期间能够同意，我们将立即征求他们的同意。 如果在此之前患者仍无法同意，我们将询问患者的近亲。 如果患者没有近亲，与近亲没有联系，或者患者失去随访，或者患者已经死亡，如果没有记录反对使用数据进行研究，则将使用数据。 如果患者和/或近亲无法亲自参加例行访视，我们将通过邮件向他们发送一封简短的研究参与请求信以及知情同意书。 在请求书中，我们将解释知情同意程序，并要求患者在批准参与研究的情况下发回已签署的知情同意书，或提供拒绝参与研究的书面声明。 我们将在请求书中告知患者，如果四个星期内没有回复，如果事先没有反对使用数据进行研究的记录（请求书的文件可以是作为单独的附件找到）。 如果患者拒绝参加研究，收集到的编码数据将不会用于进一步的数据分析。

我们专门为本研究目的向患者、近亲和独立医生制定了知情同意书，该同意书附在提交的研究文件中。

学习程序：

该研究计划在伦理委员会批准后立即开始，整个项目持续时间约为三年。 我们计划的招聘期约为一到两年。 每个患者的项目持续时间为三个月，因为我们在 AIS 三个月后评估主要结果参数 (mRS)。 由于该研究收集了疑似 AIS 转诊至 USZ 的患者的个人健康数据。 这些临床和影像数据将被去识别化并存储在受密码保护的 USZ 服务器上。 我们不会收集任何生物患者材料或样本（血液或组织）。

临床和影像学变量：

我们计划收集常规实验室和影像数据、中风严重程度和功能障碍的常规临床评分以及其他临床常规信息。 USZ 卒中科室的治疗主治医生（委员会认证的神经科医生）将被要求在 N1 和 N2 时间点以及 N3 住院期间的治疗主治医生填写一份调查问卷（见本附录末尾）手稿）只能通过个人登录专门为此项目开发的网站（计划使用安全网络应用程序 REDCap）来访问。 临床和影像参数将从卒中科室或 USZ 神经病房的治疗医生处获得，或者可以从电子病历 (KISIM) 中提取。 我们不打算从瑞士卒中登记处 (SSR) 提取数据，因为当时不会记录来自急性环境的数据。 成像数据将在 N2 时根据临床指示的第一次脑成像进行评估。

此外，我们将根据病史和临床检查，由中风科的治疗医生评估以下参数，我们认为这些参数对于估计结果至关重要：虚弱、多病、不受控制的癌症、先前存在的认知能力下降、多种药物（≥ 4 种药物）、机构住房、社会支持薄弱或没有（家人或亲密朋友）以及最多三个先前未列出的其他变量的未分类位置。 研究团队成员将在询问主治医生或通过评估电子病历时对这些参数进行明确评估（是/否选项）。 如果在急性环境中可用，治疗医生将根据临床检查和/或询问患者或近亲来评估参数。 这些参数的列表附在本手稿的末尾。 网络应用程序 REDCap 将由临床试验中心为该项目的目的而设计。 所有治疗主治医生都将收到个性化登录信息，以便直接在 REDCap 中完成不同研究时间点的调查问卷。 我们为数据输入计划一个时间锁定，以修复数据并确保数据在合理的时间内输入。 只有主治医生和研究团队成员才能访问 REDCap 中的数据。 该应用程序受密码保护，用于安全存储研究数据。

结果变量：

NIHSS：美国国立卫生研究院中风量表是一项 42 分的神经学检查，用于量化急性中风的严重程度。 NIHSS 确实评估意识水平、眼球运动、视野、面部肌肉功能、四肢力量、感觉功能、协调性、语言、言语和忽视。 该评分将作为 AIS 患者在中风发作时入院时的标准程序进行收集，并将代表必须进行结果预测的临床参数之一。 NIHSS 也将是一个主要结果参数（中风发作后 24 小时和 3 个月），必须由 N1-3 的医生预测，并且将前瞻性地询问中风单元的治疗医生，他们是N1 入院时常规检查，N3 病房神经科医生询问，出院检查，以及门诊 3 个月常规检查。 USZ 研究团队将通过患者图表或直接从 USZ 神经内科门诊的治疗医生处评估分数。 如果患者无法亲自参加 3 个月的对照，研究团队可以联系康复中心或疗养院的近亲、全科医生、治疗医生或护士，以评估分数。

mRS：改良的兰金量表是一种广泛使用的衡量中风患者残疾程度的量表。 mRS 用于临床实践以及中风研究，以描述中风后的临床结果。 mRS从0到6，0表示患者没有任何残疾，6表示患者死亡。 评分将作为 AIS 患者在中风发作时入院时的标准程序进行收集，包括中风发作前的评分以及三个月后的评分，作为神经内科医师评估的结果参数。 该分数将在 N1-3 上前瞻性询问，因为它也代表主要结果参数以及 USZ 门诊诊所的常规 3 个月控制。 研究团队将通过患者图表或当时 USZ 神经内科门诊的治疗医生评估 3 个月时的评分。 如果患者无法亲自参加 3 个月的对照，研究团队可以联系康复中心或疗养院的近亲、全科医生、治疗医生或护士，以评估分数。

成像数据：

我们计划存储入院 USZ 或初次住院的医院时收集的影像数据（大脑 CT 和 MR 图像，包括 CT 和 MR 血管造影以及大脑灌注图像），作为临床指征的一部分因怀疑急性缺血性中风入院后进行的神经影像学检查。 成像数据将从 USZ 使用的成像软件系统获取。 去识别化过程将根据 USZ 内部标准进行。 受密码保护的主文件将由数据管理器存储在 USZ 服务器上，这些服务器根据 USZ 准则进行保护。 图像将以去识别化的形式存储在访问受限的项目特定区域中。 根据工作人员名单，所有项目成员都将获得访问权限。 由于数据将以结构化方式存档并以编码形式存储，因此可以根据其他学术机构的其他研究项目的合理要求提供成像数据。

项目考察：

出院后，中风发作后 3 个月，我们的神经血管科门诊将仅进行一次定期临床就诊，并进行 NIHSS 和 mRS 评估。 如果患者已经死亡或由于严重的健康限制而无法亲自前来，我们将联系近亲或负责的护理人员来评估中风后的残疾程度。 研究中不会计划进行进一步的临床访问或电话访谈。

模型预测：

本研究中收集的临床和图像数据将被转换，以便将它们输入到深度学习模型中。 深度学习模型已经接受过训练，也就是说，它们已经学习了成像特征，这些特征与基于观察数据的结果预测相关，但不属于本研究的一部分。 在之前进行的研究项目的出版物中，我们已经使用了深度学习模型预测的方法，我们详细描述了如何将临床和影像数据输入模型以及模型本身如何运行。

当收集所有数据用于计划的中期分析或最终分析时，模型将用于使用完全相同的患者来预测结果，以使预测具有可比性。 参与预测部分的主治医生可以通过数据分析和评估后了解最终结果。