在院前自动检测大血管闭塞（LVO）急性缺血性卒中，可以大大加快血管内治疗卒中的治疗时间。许多移动卒中单元（MSU）有能力进行非对比性头部计算机断层扫描以及计算机断层扫描血管成像（CTA）。

一种分析CTA图像的LVO的自动和准确的算法可以为院前分流决策提供重要的决策支持，允许将LVO患者直接送到有血栓切除能力的中心，并加快到达后的门到穿刺时间。

然而，这种算法在MSU图像上的表现仍未确定，因为与传统的院内采集相比，MSU图像的质量可能是不稳定的，而且通常在发病后较早进行。

哈佛大学的Alexandra L. Czap等人，之前开发了一种机器学习（ML）算法，从CTA图像中识别出LVO，该算法在院内常规CTA采集中表现出优异的性能。该算法利用大脑对称性信息对结果变量进行决策。

在这项研究中，他们探讨了这样一个假设：在院内CTA图像上训练和验证的ML算法在使用从2个不同城市的多个MSU现场采集的CTA图像检测LVO时将有合适的表现。

榻榻米确定了在休斯顿和洛杉矶的MSU上评估的院外CTA的患者。前循环LVO被定义为颅内颈内动脉、大脑中动脉（M1或M2）或大脑前动脉血管的闭塞，并由专家读者确定。

在由院内CTA组成的独立数据集上训练和测试了检测LVO的ML模型，然后在MSU CTA图像上测试。使用接收者曲线下的面积统计来确定模型的性能。

在68名院外MSU CTA的患者中，40%的患者有LVO。最常见的闭塞位置是大脑中动脉M1段（59%），其次是颈内动脉（30%），以及大脑中动脉M2（11%）。从最后一个已知井到CTA成像的中位时间为88.0（四分位数范围，59.5-196.0）分钟。

在对870张院内CTA进行训练后，ML模型在识别441张图像的单独院内数据集中表现良好，ROC曲线下面积为0.84（95%CI，0.80-0.87）。

ML算法的分析时间低于1分钟。ML模型在MSU CTA图像上的表现相当，ROC曲线下的面积为0.80（95% CI，0.71-0.89）。休斯顿和洛杉矶的MSU CTA队列之间的表现没有明显差异。

该研究的重要意义在于发现了：在对2个城市的MSU评估患者的研究中，ML算法能够利用院前CTA采集准确而快速地检测出LVO。

原文出处：
Czap AL, Bahr-Hosseini M, Singh N, et al. Machine Learning Automated Detection of Large Vessel Occlusion From Mobile Stroke Unit Computed Tomography Angiography. Stroke. Published online December 6, 2021:STROKEAHA.121.036091. doi:10.1161/STROKEAHA.121.036091