Факторы риска и протективные факторы когнитивных исходов после церебрального инсульта: результаты статистического моделирования на основании клинических и нейровизуализационных данных

Цель исследования — спрогнозировать динамику когнитивных нарушений (КН) у пациентов, перенесших ишемический инсульт, на основании клинико-нейровизуализационных данных с использованием цифровой морфометрии «стратегических зон» головного мозга и комплексного нейропсихологического исследования. Материалы и методы. Обследовано 60 пациентов в раннем восстановительном периоде ишемического инсульта, проведены морфометрия (в мм) гиппокампа в области медиобазальных отделов височных долей на коронарном срезе, таламуса, интервью клинического психолога, исследование с помощью шкалы оценки психического статуса MMSE, тестов для оценки лобной дисфункции FAB и MоC A. Для учета информации из заключения психолога использовались методы интеллектуального анализа текста, рассчитывалась мера TF-IDF, позволяющая выделить главную тему сообщений и провести их кластеризацию (метод Уорда выделил 3 кластера). Для анализа выраженности КН у исследованных пациентов использовалась логистическая регрессия, где в качестве целевых переменных рассматривались бинаризированные значения шкал MMSE и MоC A. Результаты. По результатам моделирования с целевыми переменными, соответственно, где результаты тестирования по шкалам MMSE и МоСА больше или меньше 24 балла, выявлено: использование шкалы MоCA или шкалы MMSE в раннем восстановительном периоде инсульта для выявления предикторов риска КН после перенесенного инсульта не дало существенных различий. Пол пациента не оказывал влияния на развитие КН после перенесенного инсульта, а возраст пациента моложе 65 лет увеличивал вероятность того, что КН не будут наблюдаться после инсульта в среднем на 0,6–1,4 % (HR = 1,006 — для шкалы MоCA и HR = 1,014 — для шкалы MМSE). Результаты морфометрии гиппокампа по данным нейровизуализации показали, что если у пациента высота левого гиппокампа больше 6,8 мм, то это увеличивает вероятность отсутствия КН после инсульта в среднем в 1,11–1,24 раза (HR = 1,11 (MоCA) и HR = 1,24 (MМSE)), отнесение заключения психолога к первому и второму полученным в ходе исследования кластерам снижает вероятность развития КН у пациентов в 2,62–6,19 раза (HR = 6,19 (MоCA) и HR = 2,62 (MМSE)) и в 3,36–9,02 раза (HR = 9,02 (MоCA) и HR = 3,36 (MМSE)) соответственно. Заключение. Определение некоторых показателей морфометрии головного мозга представляется информативным в отношении рекомендаций по дальнейшей тактике ведения пациентов с постинсультными КН в раннем восстановительном периоде ишемического инсульта.

1. Захаров В. В., Вахнина Н. В., Громова Д. О., Тараповская А. А. Диагностика и лечение когнитивных нарушений после инсульта. Медицинский совет. 2015;10:14–21. doi:10.21518/2079-701X-2015-10-14-21.

2. Altuncu M, Mayer E, Yaliraki S, Barahona M. From free text to clusters of content in health records: an unsupervised graph partitioning approach. Appl Netw Sci. 2019;4(1):2. doi:10.1007/s41109-018-0109-9

3. Henao R, Murray J, Ginsburg G, Carin L, Lucas JE. Patient clustering with uncoded text in electronic medical records. AMIA Annu Symp Proc. 2013;2013:592–599.

4. Dobrakowski AG, Mykowiecka A, Marciniak M. Interpretable segmentation of medical free-text records based on word embeddings. J Intell Informat Syst. 2021;57:447–465. doi:10.1007/s10844-021-00659-4

5. Ахмадеева Л. Р., Булякова Г. А., Валиев В. С. Когнитивные функции после церебрального инсульта. Медико-фармацевтический журнал «Пульс». 2021;5:176–180.doi:10.26787/nydha-2686-6838-2021-23-5-176-180.

6. Rajkomar A, Oren E, Chen K, Dai AM, Hajaj N, Hardt M et al. Scalable and accurate deep learning with electronic health records. NPJ Digit Med. 2018;1:18. doi:10.1038/s41746-018-0029-1

7. Fast L, Temuulen U, Villringer K, Kufner A, Ali HF, Siebert E et al. Machine learning-based prediction of clinical outcomes after first-ever ischemic stroke. Front Neurol. 2023;14:1114360. doi:10.3389/fneur.2023.1114360

8. Lee M, Oh MS, Jung S, Lee JH, Kim CH, Jang MU et al. Differential effects of body mass index on domain-specific cognitive outcomes after stroke. Sci Rep. 2021;11(1):14168. doi:10.1038/s41598-021-93714-7

9. Lo JW, Crawford JD, Desmond DW, Bae HJ, Lim JS, Godefroy O et al. Stroke and Cognition (STROKOG) Collaboration. Long-term cognitive decline after stroke: an individual participant data meta-analysis. Stroke. 2022;53(4):1318–1327. doi:10.1161/STROKEAHA.121.035796

10. Turunen KE, Kauranen TV, Laari SP, Mustanoja SM, Tatlisumak T, Poutiainen ET. Cognitive deficits after subcortical infarction are comparable with deficits after cortical infarction. Eur J Neurology. 2013;20(2):286–292. doi:10.1111/j.1468-1331.2012.03844

11. Zhang C, Wang Y, Li S, Pan Y, Wang M, Liao X et al. Infarct location and cognitive change in patients after acute ischemic stroke: the ICONS study. J Neurol Sci. 2022;438:120276. doi:10.1016/j.jns.2022.120276

12. Weaver NA, Kuijf HJ, Aben HP, Abrigo J, Bae HJ, Barbay M. Strategic infarct locations for post-stroke cognitive impairment: a pooled analysis of individual patient data from 12 acute ischaemic stroke cohorts. Lancet Neurol. 2021;20(6):448–459. doi:10.1016/S1474-4422(21)00060-0

13. Banker SM, Pagliaccio D, Ramphal B, Thomas L, Dranovsky A, Margolis AE. Altered structure and functional connectivity of the hippocampus are associated with social and mathematical difficulties in nonverbal learning disability. Hippocampus. 2021;31(1):79–88. doi:10.1002/hipo.23264

14. Zhou SY, Tong L, Song F, Hong XJ, Sun HF, Chang H et al. Selective medial temporal volume reduction in the hippocampus of patients with idiopathic generalized tonic-clonic seizures. Epilepsy Res. 2015;110:39–48. doi:10.1016/j.eplepsyres.2014.11.014

15. Cai G, Wang Y, Chen R, Xu S, Luo J, Sun Q et al. Hypertension status moderated the relationship between the hippocampal subregion of the left GC–ML-DG and cognitive performance in subjective cognitive decline. Dis Markers. 2022;2022:7938001. doi:10.1155/2022/793800