收集2019年至2022年在10个中心接受血管内治疗的连续卒中患者的数据，这些数据来自加泰罗尼亚卒中登记处（Codi Ictus Catalunya Registry，CICAT）。RFCD定义为最终TICI≤2a，或使用补救治疗（如球囊扩张±支架植入）。对与RFCD相关的变量进行单变量和多变量分析。利用预处理变量开发了梯度提升决策树机器学习模型来预测RFCD（图1）。24小时内的临床改善定义为国家卫生研究院卒中量表（NIHSS）评分较基线下降≥4分或24小时评分为0-1。

图1. 模型在急性卒中期内的血管内治疗术中的预期使用。EVT指的是血管内治疗；ML指的是机器学习；RF指的是再通失败。

与使用常规装置成功再通的患者相比，RFCD患者表现出以下差异：他们较年轻（69.9岁 vs 72.3岁；P=0.034）；基线NIHSS评分较低（中位数13 vs 16；P=0.048）；房颤发生率较低（11.3% vs 24.5%；P=0.001）；接受静脉溶栓治疗的频率较低（31.2% vs 41.7%；P=0.018）；以及大脑中动脉-M2闭塞发生率较低（16.1% vs 23.9%；P=0.011）。相比之下，RFCD患者的高脂血症（48.2% vs 41.3%；P=0.035）、糖尿病（28.3% vs 20%；P=0.01）和基底动脉闭塞（9.3% vs 4.6%；P=0.001）发生率较高。基线特征和预处理变量根据RFCD结果的详细信息见表1。

表1. RFCD患者的基线特征、住院变量，以及使用常规装置成功再通的患者。

在逻辑回归中，经过年龄、基线NIHSS评分、房颤、高脂血症、糖尿病、溶栓治疗和闭塞部位位置的调整后，房颤缺失（OR：2.730，95%CI：1.541–4.836；P=0.007）和非溶栓治疗（OR：1.826，95%CI：1.230–2.711；P=0.003）成为RFCD的独立预测因子。

基于年龄、性别、高血压、房颤、清晨卒中、基线NIHSS评分、阿尔伯塔卒中早期CT评分、闭塞部位和静脉溶栓的极端梯度提升模型的预测结果显示，预测RFCD的总体准确性（0.75±0.015 SD）和区分能力（曲线下面积0.72±0.024 SD）均为可接受水平，总体性能为中等水平（F1得分0.77±0.041 SD）。阳性预测值和阴性预测值分别为65%和78%。性能和结果的完整概述见表2。

表2. RFCD预测模型的表现。

变量重要性以F分数表示，显示了最重要的预处理变量为年龄、基线NIHSS评分和阿尔伯塔卒中早期CT评分。特征重要性见图2。

图2. F分数值特征重要性。

计算的是xgboost（5次特征置换的均值）。框中标出了3个最重要的变量。AF指房颤；ASPECTS指阿尔伯塔卒中早期CT评分；BA指基底动脉；HTA指高血压；IV溶栓指静脉溶栓；MCA指中脑动脉；NIHSS指国家卫生研究院卒中评分；TICA指终末内颈动脉；tPA指组织纤溶酶原激活剂。

表3. RFCD亚组中植入支架和非植入支架患者的基线特征、住院变量。

在接受A&S的患者中（n=67），最终完全再通（TICI 2c-3）在46例（68.6%）中实现，15例（22.3%）在24小时内呈现临床改善，4例（5.9%）出现了症状性出血转化。使用常规装置的尝试次数中位数为3（四分位范围：2–3）。在接受颅内A&S的患者中，24小时内的临床改善与使用常规装置的尝试次数较少相关（中位数尝试次数为2次 [四分位范围：1–3] vs 3次 [四分位范围：2–4] ；P=0.045，见图3）。

图3.显示颅内支架植入患者尝试次数的数据的图形条。

图A显示了植入颅内支架前尝试次数的患者百分比；图B显示了根据24小时内临床改善的颅内支架植入患者的中位尝试次数。