Développement et validation de plusieurs modèles d'apprentissage automatique intégrant le rapport neutrophiles-lymphocytes pour la prédiction de la transformation hémorragique après thrombolyse intraveineuse dans l'accident vasculaire cérébral ischémique aigu.

RÉSUMÉ Contexte La transformation hémorragique (TH) est une complication critique de la thrombolyse intraveineuse (IVT) dans l'accident vasculaire cérébral ischémique aigu (AIS). Cette étude a développé et validé des modèles d'apprentissage automatique (ML) intégrant des biomarqueurs inflammatoires avec des indicateurs cliniques pour prédire la TH post-IVT. Méthodes Chez 1272 patients AIS traités par IVT, la régression par opérateur de sélection et de contraction absolue minimale (LASSO) a identifié cinq prédicteurs parmi 17 variables, qui ont ensuite été utilisés pour construire huit modèles ML. Les modèles ont été entraînés (70 % des données) et testés (30 % des données). De plus, une validation externe réalisée sur une cohorte indépendante a confirmé la généralisabilité du modèle optimal. La méthode SHapley Additive exPlanations (SHAP) a expliqué l'importance des caractéristiques. Résultats LASSO a sélectionné cinq prédicteurs significatifs : le rapport neutrophiles-lymphocytes (NLR), le score à l'échelle National Institutes of Health Stroke Scale (NIHSS) à l'admission, le score Alberta Stroke Program Early CT Score (ASPECTS), la glycémie et la fibrillation auriculaire. La régression logistique (LR) a atteint une performance optimale avec une AUC de 0,833 en interne et 0,842 en externe. L'analyse SHAP a priorisé le NIHSS comme le principal contributeur, tandis que le nomogramme a élucidé la variabilité du risque de TH. Conclusion L'intégration du NLR avec la gravité de l'AVC et les biomarqueurs d'imagerie neurologique améliore la précision des prédictions de TH. Le nomogramme basé sur la LR a fourni un outil pratique pour des décisions de IVT personnalisées, soulignant la valeur pronostique de l'inflammation systémique dans la gestion de l'AIS.