О журнале Издательская этика Редколлегия Редакционный совет Редакция Для авторов Контакты
Russian

Экспорт новостей

Журнал в базах данных

eLIBRARY.RU - НАУЧНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА



crossref.org
vak.ed.gov.ru/vak

GoogleАкадемия

Google Scholar
Главная arrow Архив номеров arrow №4 2025 (71) arrow СОВРЕМЕННЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ ПОВТОРНЫХ ОСТРЫХ НАРУШЕНИЙ МОЗГОВОГО КРОВООБРАЩЕНИЯ ИШЕМИЧЕСКОГО ГЕНЕЗА. АНАЛИТИЧЕСКИЙ ОБЗОР
СОВРЕМЕННЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ ПОВТОРНЫХ ОСТРЫХ НАРУШЕНИЙ МОЗГОВОГО КРОВООБРАЩЕНИЯ ИШЕМИЧЕСКОГО ГЕНЕЗА. АНАЛИТИЧЕСКИЙ ОБЗОР Печать
18.09.2025 г.

DOI: 10.21045/2071-5021-2025-71-4-19

1Дубошинский Р.И., 1Колосов В.С., 2Немков А.Г., 2Ботнарь Ф.А.
1ФГБОУ ВО «Тюменский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Тюмень, Россия
2ФГБУ «Центральный научно-исследовательский институт организации и информатизации здравоохранения» Министерства здравоохранения Российской Федерации, Москва, Россия

Резюме.

Актуальность. Ишемический инсульт является распространённым заболеванием с высоким уровнем летальности и инвалидизации. Распространённость повторных острых нарушений мозгового кровообращения в сочетании с ограниченными возможностями методов их прогнозирования, существенно снижают результативность персонифицированного управления рисками повторного острого нарушения мозгового кровообращения.

Цель: оценить возможности, имеющихся в мировой практике, методов прогнозирования риска наступления повторного ишемического инсульта.

Материалы и методы. Отбор релевантных исследований из базы данных PubMed за период 2015-2025 гг. в соответствии с критериями включения. Скрининговый этап был реализован с применением сервиса CADIMA версии 2.2.4.2. Обзор написан в соответствии с критериями PRISMA 2020.

Результаты. Проанализированы результаты исследований в сфере прогнозирования риска повторного ишемического инсульта. Исследованы возможности применения методов прогнозирования с опорой на лабораторные, инструментальные, генетические факторы, а также методов прогнозирования на основе технологий машинного обучения. Методы машинного обучения имели более высокие показатели метрических оценок, в сравнении с методами классической статистики.

Заключение. Полученные результаты свидетельствуют о перспективности методов машинного обучения в отношении вопроса прогнозирования риска повторного острого нарушения мозгового кровообращения.

Ключевые слова: прогнозирование; нарушение мозгового кровообращения; повторные нарушения мозгового кровообращения.

Контактная информация: Немков Алексей Геннадьевич, email: Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script
Финансирование: Исследование не имело спонсорской поддержки.
Конфликт интересов: Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.
Соблюдение этических стандартов: Данный тип исследования не требует прохождения экспертизы локальным этическим комитетом.
Для цитирования: Дубошинский Р.И., Колосов В.С., Немков А.Г., Ботнарь Ф.А. Современные методы прогнозирования повторных острых нарушений мозгового кровообращения ишемического генеза. Аналитический обзор. Социальные аспекты здоровья населения [сетевое издание] 2025;

MODERN PREDICTION METHODS FOR RECURRENT ISCHEMIC STROKE. AN ANALYTICAL REVIEW
1Duboshinsky RI, 1Kolosov VS, 2Nemkov AN, 2Botnar FA
1Tyumen State Medical University, Ministry of Health of the Russian Federation, Tyumen, Russia
2Russian Research Institute of Health, Ministry of Health of the Russian Federation, Moscow, Russia

Abstract

Significance. Ischemic stroke is a common disease with a high mortality and disability rate. The prevalence of recurrent acute cerebrovascular accidents, combined with the limited capabilities of their prediction methods, significantly reduces the effectiveness of personalized risk management for recurrent stroke.

Purpose. To assess the capabilities of methods available in world practice for predicting the risk of recurrent ischemic stroke

Material and Methods. Selecting relevant studies from the PubMed database for the period of 2015-2025 in accordance with the inclusion criteria. The screening stage was carried out via the CADIMA service of the 2.2.4.2 version. The review was written in accordance with the PRISMA 2020 criteria.

Results. The data from the studies focused on recurrent ischemic stroke risk prediction was analyzed. The possibilities of using prediction methods based on laboratory, instrumental, genetic factors, as well as prediction methods based on machine learning technologies were studied. Machine learning methods had higher metric assessment rates, compared to classical statistics methods.

Conclusion. The results show that the effectiveness of machine learning methods is high in regards to recurrent stroke prediction.

Keywords: prediction; cerebrovascular accident; recurrent ischemic stroke.

Corresponding author: Alexey G. Nemkov, email: Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script
Information about authors:
Duboshinsky RI, https://orcid.org/0000-0002-2782-5147
Kolosov VS, https://orcid.org/0009-0000-4380-1367
Nemkov AG, https://orcid.org/0000-0002-6984-8881
Botnar FA, https://orcid.org/0009-0001-6853-7440
Acknowledgments. The study had no sponsorship.
Competing interests. The authors declare the absence of any conflicts of interest regarding the publication of this paper.
Compliance with ethical standards. This study does not require a conclusion from the Local Ethics Committee.
For citation: Duboshinskii RI, Kolosov VS, Nemkov AG, Botnar FA. Modern prediction methods for recurrent ischemic stroke. An analytical review. Social'nye aspekty zdorov'a naselenia [serial online] 2025; (In Rus).

Введение

Инсульт является распространённым заболеванием, которое характеризуется высоким уровнем смертности и инвалидизации населения. В 2021 году в мире произошло около 11,9 миллионов новых случаев инсульта, 7,3 миллионов смертей, индекс, отражающий число лет жизни, скорректированных с учётом нетрудоспособности (disability-adjusted life years) составил 160,5 миллионов лет [1]. В глобальном популяционном исследовании Feigin V. с соавторами подчеркивается, что темпы снижения распространенности инсульта имеют тенденцию к замедлению начиная с 2015 года [1]. Одним из весомых аспектов, влияющих на распространенность инсульта в генеральной совокупности, является сочетание двух факторов: высокая распространенность повторных нарушений мозгового кровообращения (пОНМК) и ограниченные возможности методов их прогнозирования [2], так, по данным Khanevski A. с соавт., риск пОНМК составил: 5,4% в первый год после первичного острого нарушения мозгового кровообращения (ОНМК) и 11,3% в течение первых 5 лет [3].

В связи с кардинальной разницей в патогенетических механизмах развития ишемических и геморрагических нарушений мозгового кровообращения, большую частоту и потенциальную прогнозируемость ОНМК по ишемическому типу, настоящее исследование не включает случаи ОНМК геморрагического механизма.

Методы прогнозирования ишемического инсульта достаточно широко изучаются во многих странах, однако по-прежнему неясно, какие из этих методов обладают наибольшим прогнозным эффектом. В настоящем обзоре исследовательский вопрос был расчленён на три важных, взаимосвязанных, на наш взгляд, компонента:

  1. Какие конкретно методы прогнозирования риска наступления повторного ишемического инсульта рассматриваются и оцениваются в имеющейся мировой литературе?
  2. В отношении каких методов прогнозирования риска наступления повторного ишемического инсульта имеются убедительные данные, подтверждающие их эффективность?
  3. Могут ли они быть рассмотрены как потенциальные инструменты для прогнозирования риска наступления повторного ишемического инсульта?

Из синтеза этих вопросов нами была сформулирована цель настоящего обзора: оценить возможности имеющихся в мировой практике методов прогнозирования риска наступления повторного ишемического инсульта.

Методы и материалы

Отбор релевантных исследований осуществлялся по базе медицинских научных статей PubMed за последние 10 лет по запросу из ключевых слов: «recurrent stroke», «prediction».

Критерии включения: соответствие пациентов исследования изучаемой в рамках настоящего исследования нозологической единице, использование прогностической методики определения риска повторного ОНМК, наличие группы сравнения, статистически значимый показатель оценки качества прогностического метода в исходе исследования, год публикации статьи (2015–2025).

Критерии оценки эффективности: в качестве основного критерия эффективности прогностической методики рассматривалось отношение рисков (Hazard ratio, HR) или отношение шансов (Odds ratio, OR), минимальным критерием для факторов с положительной связью являлось значение 1,25, обозначающее повышение риска наступления события в исследуемой совокупности на 25%, а для факторов с отрицательной связью — значение 0,75, отражающее понижение риска наступления события в совокупности на 25% [4]. В качестве меры дискриминативной способности представленных в исследованиях моделей оценивалось значение статистики конкордантности (C-статистика) по следующему алгоритму: <0,5 — неудовлетворительная модель. 0,5–0,7 — слабая модель (предсказательная способность не выше случайности), 0,7–0,8 — удовлетворительная модель. >0,8 — сильная модель. С аналогичной целью оценивались показатели площади под кривой (Area under curve, AUC), по следующему алгоритму: 0,5–0,6 — неудовлетворительная дискриминационная способность, 0,6–0,7 — слабая дискриминационная способность, 0,7–0,8 — удовлетворительная дискриминационная способность, 0,8–0,9 — сильная дискриминационная способность, >0,9 — идеальная дискриминационная способность [5]. Процесс скрининга источников литературы и выгрузки данных осуществлялся при помощи веб-приложения CADIMA версии 2.2.4.2. Обзор написан в соответствии с критериями PRISMA 2020 [6]. Для формулирования вопроса исследования были использованы критерии PICO.

Процесс отбора и характеристика статей. Используя функциональные возможности поисковой платформы PubMed, ключевые слова: «recurrent stroke», «prediction», разделялись логическим оператором «и (and)». Кроме того, применялся логический оператор «не (not)» для ключевых слов: «atrial fibrillation», «acute coronary syndrome» с целью исключения исследований, связанных с прогнозированием неблагоприятных кардиологических событий, не относящихся к ОНМК. Запрос ограничивался следующими типами публикаций: клинические исследования, клинические испытания, компаративные исследования, многоцентровые исследования и систематические обзоры. Таким образом, был получен список литературы из 305 статей, который был автоматизировано выгружен в библиотеку программы Mendeley Reference Manager с использованием браузерного плагина Mendeley Web Importer.

На доскрининговом этапе было исключено 27 публикаций, в связи с тем, что они являлись протоколами для предстоящих исследований и не содержали статистически обоснованных результатов, так же было исключено 5 дублирующих источников, таким образом 273 статьи были направлены на этап скрининга.

В результате скрининга резюме было исключено 174 исследования, как несоответствующие критериям включения (таким как несоответствие тематике исследования и отсутствие статистически значимого результата).

На этапе скрининга полнотекстовых публикаций так же было исключено 25 статей в связи с несоответствием тем же критериям включения.

Таким образом, этап полнотекстового скрининга был пройден 74 исследованиями, анализ которых составляет основу настоящего обзора.

Результаты

77,03% (n = 57) публикаций при прогностическом моделировании опирались на методы классической статистики без применения методов машинного обучения, 22,97% (n = 17) в процессе моделирования применяли методы машинного обучения. Все исследования было принято условно разделить по тем ключевым признакам, которые использовались авторами статей как опорные при разработке моделей. В 25,68% (n = 19) статей применялись те или иные новые или известные, но не использующиеся в рутинном скрининге лабораторные биомаркеры [7–26]. В 6,76% (n = 5) статей — генетические маркеры [27–31]. В ряде исследований (33,78%, n = 25) авторы опирались на нейровизуализационные и/или сонографические критерии [11, 32–55]. В остальных исследованиях (33,78%, n = 25) изучалось влияние нескольких факторов.

Характеристика совокупности. В соответствии с критериями включения, половозрастная характеристика и коморбидный статус исследуемых популяций были разнообразны. Так, в 5,41% (n = 4) исследований выборка формировалась из совокупности пациентов, страдающих сахарным диабетом II типа или имеющих признаки метаболического синдрома [18,21,26,56,57], 4,05% (n = 3) - из совокупности пациентов с открытыми овальным окном [8,51]. 1,35% (n = 1) - из совокупности пациентов, страдающих болезнью Моя-моя [36]. 1,35% (n = 1) - серповидноклеточная анемия [58]. 1,35% (n = 1) - болезнь Чагаса [59], 1,35% (n = 1) - фибрилляция предсердий [32], 1,35% (n = 1) - предсердный фиброз [47], 1,35% (n = 1) - совокупность пациентов, перенесших тот или иной вид злокачественного новообразования (ЗНО) [60].

Лабораторные маркеры, ассоциированные с повторным ОНМК. Ряд маркеров были оценены авторами, как потенциально ассоциированные с риском возникновения пОНМК. Растворимый лиганд CD40L (Soluble CD40L, sCD40L), обнаруживаемый в составе атеросклеротических бляшек, при построении модели пропорциональных рисков Кокса был ассоциирован с риском пОНМК (HR: 1,49), ассоциация стала выше после корректировки модели по уровню C-реактивного белка (HR: 1,81) [7]. Другим серологическим маркером, ассоциированным с пОНМК, является галектин-3, его добавление в модель, скорректированную по уровню липопротеидов высокой плотности (ЛПВП) и классическим факторам риска пОНМК, позволило повысить прогностическую способность модели в отношении повторных ОНМК (HR: 1,78), в сравнении с дискриминативной способностью моделей без учёта данных лабораторных показателей и их сочетания [13]. Легкий нейрофиламент (neurofilament light, NfL) при первичном ОНМК коррелировал с оценкой по шкале NIHSS при госпитализации, со степенью связанных с возрастом изменений белого вещества на магнитно-резонансной томографии (МРТ), а также был ассоциирован с повторным развитием ОНМК (OR: 2,00) за период наблюдения в 36 месяцев [25]. Другим фактором, который может быть потенциально использован для прогнозирования риска повторного ОНМК является стромальный клеточный фактор 1 (stromal cell-derived factor 1, SDF-1), который также ассоциирован с риском пОНМК [26] у пациентов с сахарным диабетом II типа (СД). Другие вещества, ассоциированные с пОНМК — неоптерин и кинуреновая кислота. Будучи включенными в модель, неоптерин обладал положительной взаимосвязью с пОНМК (HR: 1,52), а кинуреновая кислота — отрицательной (HR: 0.57) [17]. Эндотелиальные (endothelial cell-derived microvesicles, EMV) и лейкоцитарные (leukocyte cell-derived microvesicles, LMV) микровезикулы положительно связаны с пОНМК (HR для EMV: 2,5, HR для LMV: 3,1) у пациентов с показателями в пределах самого высокого квартиля, в сравнении с пациентами в группе с показателем в пределах самого низкого квартиля [24]. Другими факторами, рутинно не используемыми для оценки риска пОНМК, но потенциально ассоциированными с данным неблагоприятным событием, являются: антифосфолипидные антитела (HR: 2.31) [23], гамма-глутамил трансфераза, ГГТП (HR: 1,32) [16], окисленные фосфолипиды, в частности окисленные липопротеиды низкой плотности, oxLDL (HR: 1,43) [12] и окисленный аполипопротеин B, Ox-PL-apoB (HR: 4,3) [15], C-реактивный белок (HR: 2,59), гомоцистеин (HR: 2,06) [19] и D-димер в когорте пациентов с открытым овальным окном и криптогенным инсультом (HR: 5,34) [8]. Прогностическая значимость в отношении пОНМК описана у повышенного (до четвертого квартиля по результатам исследования Wang G., et al) холестерина, ассоциированного с атерогенными фракциями липидов (так называемый «холестерин не-ЛПВП»), HR: 1,46 [20], а также у ряда соотношений показателей липидограммы: более высокий показатель отношения общего холестерина к ЛПВП-холестерину (TC/HDLC) и более высокий показатель отношения ЛПНП-холестерина к ЛПВП-холестерину (LDLC/HDLC), HR: 1,38 и 1,48 соответственно [10]. В связи с наличием общих патогенетических звеньев сахарного диабета и цереброваскулярных заболеваний само по себе наличие данного заболевания (HR: 2,77) [57] или отдельных признаков метаболического синдрома (HR: 1,91) [57] является предиктором повторного ОНМК, в сравнении с когортой пациентов без признаков сахарного диабета и метаболического синдрома. У пациентов с сахарным диабетом наиболее значимыми предикторами повторного ОНМК являлись: стаж заболевания (OR: 1,33 для стажа >10 лет), стаж артериальной гипертензии (OR: 2,137 для стажа >10 лет), ишемическая болезнь сердца (5,859), исходный прием противодиабетических препаратов (OR: 1,409) и диуретиков (3,476) [56]. Информативны гипергликемия при госпитализации в период первичного ОНМК (HR: 1,55) [21] и стрессовая гипергликемия при наличии у пациента интракраниального атеросклеротического стеноза (HR: 8,52) [22], а также отношение триглицерида к глюкозе (triglyceride-glucose ratio, TyG), HR: 2,01 для группы с TyG в пределах третьего терциля [18]. Также статистическую значимость имеют коэффициент вариации отклонения размеров эритроцитов от нормы (red cell distribution width-coefficient of variation, RDW-CV) и средний объем тромбоцитов (mean platelet volume, MPV), HR: 1,251 и 1,506 соответственно [61].

Генетически обусловленный риск повторных ОНМК. Рассматриваемое значение генетических факторов в рамках настоящего исследования, условно можно разделить на две категории: генетические факторы, снижающие эффективность антитромбоцитарной терапии в рамках вторичной профилактики повторного инсульта и генетические факторы, имеющие точку приложения в патогенетических аспектах возникновения повторных ОНМК. Так, в работах Zhao J. et al. генетические полиморфизмы 106PEAR1 и 168PTGS1 обуславливают недостаточный ответ пациента на терапию аспирином, что ассоцировано с риском возникновения повторных ОНМК (OR: 3,24) [29], а в работе Fu H. et al. аналогичная роль в отношении эффективности ответа на терапию клопидогрелом отводится LOF-аллели цитохрома P450 2C19 (HR: 3,1) [28]. Другими изучаемыми генами являются ген матриксной металлопротеиназы-3 [30] и ген матриксного протеина Gla (MGP) [31]. Генетические полиморфизмы 5A/6A матриксной металлопротеиназы-3, также ассоциированы с повторными ОНМК (HR: 1,32 для всех вариантов окклюзии, 2,24 для стеноза крупных артерий, 1,36 для кардиоэмболии) [30]. Однонуклеотидные полиморфизмы (single nucleotide polymorphism, SNP) гена, кодирующего матриксный белок Gla, также обуславливают вышеописанный риск (OR: 2,408) [31].

Данные инструментальных методов, ассоциированные с повторными ОНМК. Включение такого фактора, как наличие гиперинтенсивных очагов в белом веществе (HR: от 1,65 до 5,28, в зависимости от степени изменений), выявляемых по результатам МРТ повышало точность моделей прогнозирования пОНМК, как в когорте пациентов без открытого овального окна, так и в когорте пациентов с данным диагнозом (HR: 3,369) [51], по видимому, особую значимость в данном отношении имеет выявление сосудистых гиперинтенсивных очагов в последовательности FLAIR (HR: 4,77) [44] и обнаружение множественных очаговых поражений в режиме DWI (HR: 3,79) [43]. Актуальность развития инструментальных методик прогнозирования также подчеркивается высоким потенциалом внедрения технологий машинного обучения. Так, исследования в сфере радиомики, высокомощного анализа медицинских изображений с применением машинного обучения и дальнейшее добавление полученных данных в модель, учитывающую клинические данные, резко повышало метрики эффективности прогностической модели (чувствительность: 0,85, специфичность: 0,805, AUC: 0,789) [55]. Сегментация данных медицинских изображений при помощи технологий глубокого обучения также демонстрировала высокие метрические показатели (AUC: 0,835 для алгоритма логистической регрессии, 0,834 для алгоритма случайных деревьев, 0,858 для алгоритма CatBoost, 0,842 для алгоритма XGBoost) [49]. Примечательными являются результаты исследования Shi Z. et al., в котором анализировались морфологические особенности атеросклеротических бляшек церебральных сосудов и изменения в сосудистой стенке [53]. В данном исследовании была описана связь между более высокой энтропией сосудистой стенки и меньшей степенью рекуррентности ОНМК (HR: 0,274, AUC: 0,86 при построении регрессионной модели Кокса только с МРТ-параметрами, 0,89 при добавлении МРТ-параметров в модель, скорректированную по клиническим данным) [53]. Выявление при МРТ головного мозга выраженного контрастного усиления лептоменингальных коллатералей в последовательности FLAIR также может быть предиктором пОНМК (HR: 10,15) [36]. Ряд работ направлены на возможность применения позитронной эмиссионной компьютерной томографии (ПЭТ-КТ). В работах Kelly P. в 2019 году отмечается повышение значения стандартизированного уровня накопления (standardized uptake value, SUVmax) изотопа 18F-флюородезоксиглюкозы (18F-FDG) у пациентов с пОНМК, повышение SUVmax было независимым предиктором риска пОНМК (HR: 2,2 для SUVmax >1 г/мл) [11]. Позднее в другом исследовании Kelly P. была разработана интегральная шкала, учитывающая квартильное распределение показателя SUVmax и степень стеноза просвета сосуда по результатам ПЭТ-КТ. Модель пропорциональных рисков, скорректированная только по выраженности стеноза, демонстрировала меньшую дискриминативную способность (C-статистика: 0,82 против 0,63) в сравнении с моделью, учитывающей показатель SCAIL, а сама оценка по шкале SCAIL также являлась предиктором риска пОНМК (HR: 4,52) [11]. Прогностической способностью в отношении пОНМК обладают и другие характеристики бляшек. Например, кровоизлияние в толщу атеросклеротической бляшки сонной артерии также было ассоциировано с риском пОНМК (HR: 2,12) [48]. Сонографические маркеры пОНМК: признаки неоваскуляризации бляшки при ультразвуковом исследовании с контрастным усилением (contrast-enhanced ultrasound, CEUS), HR: 6,57 [46], выявление микроэмболических сигналов (microembolic signalis, MIS) у пациентов с перенесенной тромбэктомией (HR: 6,27) [38]. Включение сонографических параметров сонных артерий при использовании алгоритмов машинного обучения демонстрировало высокие показатели AUC (0,844 для CatBoost, 0,832 для Light GBM, 0,819 для алгоритма случайного леса, 0,781 для логистической регрессии, 0,759 для SVM, 0,735 для дерева решений) [62]. В рамках клинического исследования POINT, прогностически значимыми были определены: наличие стеноза/окклюзии сонной артерии (OR: 2,77), расовая принадлежность (OR: 1,57), статиновая терапия (OR: 0,68) [63]. У пациентов с некардиогенными ишемическими инсультами в вертебробазилярном бассейне предиктивными были: дисфагия (HR: 4,16), многократные транзиторные ишемические атаки (ТИА) за период 3 месяца до инсульта (HR: 15,4), стеноз артерии-источника ишемии >70% (HR: 7,91), множественные ишемические очаги (HR: 5,38), отсутствие антритромботической терапии при выписке (HR: 3,06) [64]. Также у пациентов с некардиогенной этиологией инсульта тяжесть клинической симптоматики прямо коррелировала с риском повторных ОНМК (HR: 1,32 для оценки NIHSS ≥4 баллов) [65]. Диаметр левого предсердия при сонографии (HR: 1,60) [32], признаки фиброза предсердия >12% по результатам МРТ с контрастным усилением (HR: 4,90) [47], изменение направления тока крови по глазной артерии по результатам дуплексного сканирования сосудов русла сонной артерии (HR: 3,638) [33], преждевременные предсердные комплексы на ЭКГ (HR: 2.55) [40], высокая вариабельность артериального давления по результатам beat-to-beat (BtB) мониторинга (HR: 1,41) [45] являлись прогностически значимыми в отношении пОНМК. Регулярный удаленный мониторинг кардиологического имплантируемого электронного девайса обладал негативной взаимосвязью с пОНМК (HR: 0,35) [35]. Добавление индекса объема левого предсердия (left atrial volume index) на эхокардиографии к маркерам коагуляции и гемостатической активации (markers of coagulation and hemostatic activation, MOCHA) при построении модели позволяло добиться высокой дискриминативной способности (AUC: 0,84) в сравнении с моделями, включающими показатели по-отдельности [14]. Примечательно, что конечно-систолический размер левого желудочка не имел предиктивной значимости (RR: 1,030), тогда как определение локализации бляшки по эхокардиографии (RR: 1,699) и усреднённая толщина интимы-медии общих сонных артерий с двух сторон (RR: 2,207) - имели прогностическое значение [37]. Тем не менее, в ряде исследований отмечается, что клинические факторы могут иметь более сильную ассоциативную связь, в сравнении внутричерепным стенозом крупных артерий (intracranial large artery stenosis, ILAS), в частности, большей предсказательной способностью обладает факт артериальной гипертензии в анамнезе (HR: 2,18) [41]. Индекс кислородной десатурации (oxygen desaturation index, ODI) в рамках синдрома обструктивного апноэ сна, обладал положительной ассоциативной связью в отношении пОНМК (HR: 1,338) [42]. В исследовании Jing J. et al. стеноз крупных артерий (large artery stenosis, LAA) у пациентов, стратифицированных в группы низкого и умеренного риска по шкале ABCD2 имел прогностическую значимость (HR: 1,746 для группы низкого риска, 1,326 для группы умеренного риска [50,66].

Характеристика риска повторного ОНМК у отдельных популяций пациентов. В совокупности пациентов, перенесших первичный инсульт в молодом возрасте (16–55 лет) наличие первичного ОНМК в анамнезе (OR: 3,5) само по себе является прогностическим критерием [68], также играют роль следующие факторы: статус курения (HR: 2,49), поражение сосуда (закупорка малого сосуда, HR: 0,325) [69]. Среди пациентов с болезнью Чагаса наиболее предиктивными были: курение (OR: 1,487), алкоголизм (OR: 1,375), эпилепсия (OR: 1,652), прием антикоагулянтов (OR: 3,964), ожирение (OR: 0,462) [59]. В совокупности пациентов, имевших ЗНО, значимыми были показатели: доза радиации ≥50 Гр при краниальной радиотерапии (HR: 4,4), артериальная гипертензия (HR: 1,9), более старший возраст пациента в дебюте первичного инсульта (HR: 6,4) [60]. Немая церебральная ишемия (silent cerebral infarction, SCI) — распространённое явление в совокупности пациентов с серповидно-клеточной анемией, исходное наличие SCI является независимым предиктором повторного ОНМК (HR: 3,46), также предиктором у данной когорты пациентов являлось исходное наличие артериальной гипертензии (HR: 3,23) [58]. В исследовании [67] было обнаружено, что риск развития пОНМК был выше в дни с более холодными температурными показателями и в дни с повышением атмосферного давления (RR: 1,398) [67]. Также в рамках новых исследований дополнительно подтверждена роль рутинных и широко используемых на данный момент показателей, и факторов: Артериальная гипертензия (HR: 2,549), церебральная ишемия в анамнезе (HR: 1,709), артериосклероз сонных артерий (HR: 1,823) являются предикторами повторного ОНМК при использовании многофакторного анализа [61].

Возможности машинного обучения в прогнозировании повторных ОНМК. В клиническом исследовании Colangelo G. et al. была представлена модель PRERISK, опирающаяся на алгоритмы случайного леса и AdaBoost, которая, в сравнении с моделью Кокса, продемонстрировала большую дискриминативную способность при прогнозировании ОНМК по 3 временным меткам: ранний, поздний и отсроченный периоды возникновения (AUC: 0,76, 0,60, 0,71 против 0,73, 0,59, 0,67 соответственно) [70]. В другом исследовании, где производился анализ возможностей машинного обучения в прогнозировании риска пОНМК с использованием информации из базы данных города Эрланген, было описано, что при учёте таких показателей, как семейный анамнез, жилищно-коммунальные условия, объем реабилитационных мероприятия после первичного ОНМК, возраст, калорийность питания, показатели систолического и диастолического давления, наличие чрескожной эндоскопической гастростомии, количество домашних вызовов врача и психологическое состояние пациента, наибольшая предиктивная способность была представлена у модели, сочетающей алгоритм SVM и алгоритм SMOTE (AUC: 0,70) [71]. В другом исследовании также представлены показатели AUC нескольких моделей машинного обучения при использовании методов десятикратной кросс-валидации и при анализе ROC-кривой. Показатели составили 0,777-0,959 и 0,887-9,946 соответственно [72]. Машинное обучение также может быть применено в предиктивном анализе, основанном на изучении показателей гемодинамического мониторинга: прогностически значимыми оказались результаты алгоритмов случайный лес (специфичность: 0,9808, чувствительность: 0.9896, точность: 0,9865), DTW (чувствительность: 0,9231, специфичность: 0,9896, точность: 0,9662) и AdaBoost (чувствительность: 0,9808, специфичность: 0,9375, точность: 0,9527) [54], что еще раз подчеркивает потенциал внедрения машинного обучения в сферу диагностики и скрининговых исследований. Также методы машинного обучения могут быть применены для прогностического моделирования пОНМК у пациентов с открытым овальным окном, что подтверждается удовлетворительными показателями модели RFS в сравнении с классической регрессионной моделью Кокса (C-статистика: 0,87 против 0,54) [73]. Результативность моделей машинного обучения в отношении прогнозирования риска пОНМК прослеживается в различные временные промежутки: в период 3 месяцев после инсульта по данным ряда исследований, могут быть использованы алгоритмы случайного леса (AUC: 0,852) [74] и экстремального градиентного бустинга (AUC: 0,782) [75]. В сроке одного года после первичного ОНМК модель искусственной нейронной сети (artificial neural network, ANN), продемонстрировала чувствительность в 75%, специфичность в 75%, точность в 75%, и показатель C-статистики в 0.77 [76]. В долгосрочном периоде отмечается тенденция на снижение дискриминационной способности модели по мере увеличения периода дебюта повторного ОНМК с наибольшей предсказательной способностью в период первого года после первичного инсульта (AUC: 0,79) и с наименьшей в период пять лет после первичного ОНМК (AUC: 0,69) [77]. В ряде исследований предлагаются особые механизмы и методы машинного обучения. Так, в исследовании Fan D. с соавторами применялась интегрированная прогностическая модель, основанная на сочетании работы капсульной ANN и линейного метода опорных векторов (SVM) для прогнозирования пОНМК (точность: 95%, специфичность: 96%, чувствительность: 94%, AUC: 95%) [78]. Внедрение методов трансферного обучения (transfer learning) в модели машинного обучения повышает их дискриминационную способность, что демонстрируется в исследовании Xu H. с соавторами (AUC: от 0,683 до 0,758) [79]. Gao Y. с соавторами продемонстрировали способность метода аддитивного объяснения Шепли (Shapley additive explanation, SHAP), представляющего вес каждого входного параметра, в определении наиболее значимых показателей при прогнозировании пОНМК. Среди данных показателей были отмечены: гипертоническая болезнь в анамнезе, уровень гомоцистеина, позитивное артериальное ремоделирование (нарастание объема бляшки с постепенным сужением просвета сосуда) и повышение степени контрастного усиления бляшки на МР-ангиографии [80].

Обсуждение полученных результатов

Классические диагностические критерии, такие как артериальная гипертензия, церебральная ишемия в анамнезе, артериосклероз сонных артерий [61], гиперинтенсивные очаги в белом веществе головного мозга выявляемые по результатам МРТ, множественный характер очаговых поражений в режиме DWI [43] - сохраняют свою безусловную актуальность. Результаты ряда из этих исследований представляют интерес из-за потенциально существенно большей применимости в рутинной клинической практике, значимой корреляцией с соответствующим прогнозом.

Вместе с тем, настоящая работа демонстрирует интерес исследователей, разработку и оценку лабораторных, генетических, инструментальных иных маркеров, коррелирующих с тем или иным прогнозом ОНМК. Определенным ограничением для применения ряда тестов, таких как лиганд CD40L [7], галектин-3, [13] и др., в целях прогностического моделирования пОНМК, является низкая доступность в условиях реальной клинической практики, что не умаляет их значимости в прогностической модели.

Следует также отметить, что большинство исследований рассматривают соответствующие критерии как дополнительный компонент в той или иной прогностической модели, оценивая изменения качества прогноза [7,13], что говорит о необходимости учета определенного набора критериев и об отсутствии единого патогномоничного маркера.

В данном контексте нам представляется важной и перспективной интеграция информационных технологий, в реальную клиническую практику, в том числе, для целей персонифицированного прогнозирования пОНМК. Так, сильными чертами исследований с применением технологий машинного обучения являются более высокие показатели метрических оценок дискриминационной способности и точности (они чаще превышали значение AUC 0,85), удовлетворительной возможностью к экстраполяции на генеральную совокупность пациентов с первичным ОНМК и в ряде случаев, более простая реализуемость и внедряемость в практическое здравоохранение, в сравнении с отдельными диагностическими маркерами. Данный подход позволит объединить критерии нескольких прогнозных моделей, факультативно включив относительно малораспространенные тесты, такие как лиганд CD40L [7], галектин-3, [13] и другие.

Несмотря на значимые перспективы, доля работ, посвященных методам машинного обучения, остаётся небольшой, в сравнении с методами классической статистики, составляя лишь 22,97% от общего числа включённых в систематический обзор исследований.

Заключение

Прогнозирование повторных острых нарушений мозгового кровообращения является важной задачей научного медицинского сообщества, так как потенциально, может позволить существенно снизить показатели смертности и инвалидизации населения, сохранить трудоспособность, когнитивный статус и функциональную независимость пациентов, переживших первичный ишемический инсульт. Для прогнозирования риска повторных острых нарушений мозгового кровообращения наиболее оптимально использование комбинации классических критериев, новых доказательных маркеров, в рамках разработки прогностических моделей на основе технологий искусственного интеллекта.

Библиография

  1. Feigin VL, Abate MD, Abate YH, et al (2024) Global, regional, and national burden of stroke and its risk factors, 1990–2021: a systematic analysis for the Global Burden of Disease Study 2021. Lancet Neurol 23:973–1003
  2. Stahmeyer JT, Stubenrauch S, Geyer S, Weissenborn K, Eberhard S The Frequency and Timing of Recurrent Stroke. Dtsch Arztebl Int.; 2019. https://doi.org/10.3238/arztebl.2019.0711
  3. Khanevski AN, Bjerkreim AT, Novotny V, Næss H, Thomassen L, Logallo N, Kvistad CE Recurrent ischemic stroke: Incidence, predictors, and impact on mortality. Acta Neurol Scand 2019;140:3–8
  4. Hernán MA The Hazards of Hazard Ratios. Epidemiology 2010;21:13–15
  5. Çorbacıoğlu ŞK, Aksel G Receiver operating characteristic curve analysis in diagnostic accuracy studies. Turk J Emerg Med 2023;23:195–198
  6. Page MJ, McKenzie JE, Bossuyt PM, et al The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ 2021; n71
  7. Li J, Wang Y, Lin J, Wang D, Wang A, Zhao X, Liu L, Wang C, Wang Y Soluble CD40L Is a Useful Marker to Predict Future Strokes in Patients With Minor Stroke and Transient Ischemic Attack. Stroke 2015;46:1990–1992
  8. Kim YD, Song D, Nam HS, Lee K, Yoo J, Hong G-R, Lee HS, Nam CM, Heo JH D-dimer for prediction of long-term outcome in cryptogenic stroke patients with patent foramen ovale. Thromb Haemost 2015;114:614–622
  9. Ye Z, Zhang Z, Zhang H, Hao Y, Zhang J, Liu W, Xu G, Liu X Prognostic Value of C-Reactive Protein and Homocysteine in Large-Artery Atherosclerotic Stroke: a Prospective Observational Study. Journal of Stroke and Cerebrovascular Diseases 2017;26:618–626
  10. de la Riva P, Zubikarai M, Sarasqueta C, et al. Nontraditional Lipid Variables Predict Recurrent Brain Ischemia in Embolic Stroke of Undetermined Source. Journal of Stroke and Cerebrovascular Diseases 2017;26:1670–1677
  11. Kelly PJ, Camps-Renom P, Giannotti N, et al. Carotid Plaque Inflammation Imaged by 18F-Fluorodeoxyglucose Positron Emission Tomography and Risk of Early Recurrent Stroke. Stroke 2019;50:1766–1773
  12. Wang A, Xu J, Chen G, et al Oxidized low-density lipoprotein predicts recurrent stroke in patients with minor stroke or TIA. Neurology 2018. https://doi.org/10.1212/WNL.0000000000006118
  13. Zeng N, Wang A, Xu T, et al Co-Effect of Serum Galectin-3 and High-Density Lipoprotein Cholesterol on the Prognosis of Acute Ischemic Stroke. Journal of Stroke and Cerebrovascular Diseases 2019;28:1879–1885
  14. Ellis D, Rangaraju S, Duncan A, et al Coagulation markers and echocardiography predict atrial fibrillation, malignancy or recurrent stroke after cryptogenic stroke. Medicine 2018;97:e13830
  15. Byun YS, Yang X, Bao W, DeMicco D, Laskey R, Witztum JL, Tsimikas S Oxidized Phospholipids on Apolipoprotein B-100 and Recurrent Ischemic Events Following Stroke or Transient Ischemic Attack. J Am Coll Cardiol 2017;69:147–158
  16. Li S, Wang A, Tian X, Zuo Y, Meng X, Zhang Y Elevated gamma‐glutamyl transferase levels are associated with stroke recurrence after acute ischemic stroke or transient ischemic attack. CNS Neurosci Ther 2022;28:1637–1647
  17. Alme KN, Ulvik A, Askim T, Assmus J, Mollnes TE, Naik M, Næss H, Saltvedt I, Ueland P-M, Knapskog A-B () Neopterin and kynurenic acid as predictors of stroke recurrence and mortality: a multicentre prospective cohort study on biomarkers of inflammation measured three months after ischemic stroke. BMC Neurol 2021;21:476
  18. Hoshino T, Mizuno T, Ishizuka K, Takahashi S, Arai S, Toi S, Kitagawa K Triglyceride-glucose index as a prognostic marker after ischemic stroke or transient ischemic attack: a prospective observational study. Cardiovasc Diabetol 2022;21:264
  19. Mizuno T, Hoshino T, Ishizuka K, Toi S, Takahashi S, Wako S, Arai S, Kitagawa K Hyperhomocysteinemia Increases Vascular Risk in Stroke Patients with Chronic Kidney Disease. J Atheroscler Thromb 2023;30:63849
  20. Wang G, Jing J, Wang A, et al () Non–High-Density Lipoprotein Cholesterol Predicts Adverse Outcomes in Acute Ischemic Stroke. Stroke 2021;52:2035–2042
  21. Genceviciute K, Göldlin MB, Kurmann CC, et al Association of diabetes mellitus and admission glucose levels with outcome after endovascular therapy in acute ischaemic stroke in anterior circulation. Eur J Neurol 2022;29:2996–3008
  22. Wang Y, Fan H, Duan W, et al Elevated stress hyperglycemia and the presence of intracranial artery stenosis increase the risk of recurrent stroke. Front Endocrinol (Lausanne) 2022;13:954916
  23. Geng L, Pan K, Xu Y, Zhang B, Wang J, Xue Q, Zhang S, Su H, Zhang B Antiphospholipid antibodies as potential prognostic indicators of recurrent ischemic stroke. Journal of Stroke and Cerebrovascular Diseases 2024;33:107885
  24. Huo S, Kränkel N, Nave AH, et al Endothelial and Leukocyte-Derived Microvesicles and Cardiovascular Risk After Stroke. Neurology. 2021. https://doi.org/10.1212/WNL.0000000000011223
  25. Uphaus T, Bittner S, Gröschel S, Steffen F, Muthuraman M, Wasser K, Weber-Krüger M, Zipp F, Wachter R, Gröschel K NfL (Neurofilament Light Chain) Levels as a Predictive Marker for Long-Term Outcome After Ischemic Stroke. Stroke 2019;50:3077–3084
  26. You S, Chen H, Miao M, et al Prognostic significance of plasma SDF-1 in acute ischemic stroke patients with diabetes mellitus: the CATIS trial. Cardiovasc Diabetol 2023;22:274
  27. Fukuma K, Yamagami H, Ihara M, et al P2Y12 Reaction Units and Clinical Outcomes in Acute Large Artery Atherosclerotic Stroke: A Multicenter Prospective Study. J Atheroscler Thromb 2023;30:63369
  28. Fu H, Hu P, Ma C, Peng F, He Z Association of clopidogrel high on-treatment reactivity with clinical outcomes and gene polymorphism in acute ischemic stroke patients. Medicine 2020;99:e19472
  29. Zhao J, Chen F, Lu L, Tang H, Yang R, Wang Y, Du Y Effect of 106PEAR1 and 168PTGS1 genetic polymorphisms on recurrent ischemic stroke in Chinese patient. Medicine 2019;98:e16457
  30. Huang X, Ye Q, Zhang Z, et al Association of matrix metalloproteinase-3 gene 5A/6A polymorphism with the recurrence of ischemic stroke: A prospective observational study. Brain Res 2017;1674:55–61
  31. Hendrix P, Sofoluke N, Adams M, et al Matrix Gla protein polymorphism rs1800801 associates with recurrence of ischemic stroke. PLoS One 2020;15:e0235122
  32. Ogata T, Matsuo R, Kiyuna F, et al Left Atrial Size and Long‐Term Risk of Recurrent Stroke After Acute Ischemic Stroke in Patients With Nonvalvular Atrial Fibrillation. J Am Heart Assoc. 2017. https://doi.org/10.1161/JAHA.117.006402
  33. Yang H-Y, Lian I-B, Wang S-C, Lin T-T, Ou Y-H, Liu C-K, Lin C-M (2023) Ophthalmic artery flow direction change predicts recurrence of ischemic stroke after carotid stenting: a longitudinal observational study. Eur J Med Res 28:1
  34. Andersen SD, Larsen TB, Gorst-Rasmussen A, Yavarian Y, Lip GYH, Bach FW (2017) White Matter Hyperintensities Improve Ischemic Stroke Recurrence Prediction. Cerebrovascular Diseases 43:17–24
  35. De Simone V, Zanotto G, Guarise P, Venturato A, Cassinadri E, Bassi M, Bozzolin M, Tondelli S, Giacopelli D, Morando G (2019) Effects of remote monitoring of cardiac implantable electronic devices after stroke or transient ischemic attack. Journal of Cardiovascular Medicine 20:551–556
  36. Nam K-W, Cho W-S, Kwon H-M, Kim JE, Lee Y-S, Park S-W, Rhim JH, Son Y-J (2019) Ivy Sign Predicts Ischemic Stroke Recurrence in Adult Moyamoya Patients without Revascularization Surgery. Cerebrovascular Diseases 47:223–230
  37. Yoon HJ, Kim KH, Park H, et al (2017) Carotid plaque rather than intima-media thickness as a predictor of recurrent vascular events in patients with acute ischemic stroke. Cardiovasc Ultrasound 15:19
  38. Sheriff F, Diz-Lopes M, Khawaja A, et al (2020) Microemboli After Successful Thrombectomy Do Not Affect Outcome but Predict New Embolic Events. Stroke 51:154–161
  39. Baik M, Nam HS, Heo JH, et al (2020) Advanced Liver Fibrosis Predicts Unfavorable Long-Term Prognosis in First-Ever Ischemic Stroke or Transient Ischemic Attack. Cerebrovascular Diseases 49:474–480
  40. Vinther KH, Tveskov C, Möller S, Auscher S, Osmanagic A, Egstrup K (2017) Excessive Premature Atrial Complexes and the Risk of Recurrent Stroke or Death in an Ischemic Stroke Population. Journal of Stroke and Cerebrovascular Diseases 26:1163–1170
  41. Chang KC, Chuang IC, Huang YC, Wu CY, Lin WC, Kuo YL, Lee TH, Ryu SJ (2019) Risk factors outperform intracranial large artery stenosis predicting unfavorable outcomes in patients with stroke. BMC Neurol 19:180
  42. Brown DL, Shafie-Khorassani F, Kim S, Chervin RD, Case E, Yadollahi A, Lisabeth LD (2019) Do apneas and hypopneas best reflect risk for poor outcomes after stroke? Sleep Med 63:14–17
  43. Nezu T, Mukai T, Uemura J, Yamashita M, Kitano T, Wada Y, Yagita Y (2016) Multiple Infarcts Are Associated With Long-Term Stroke Recurrence and All-Cause Mortality in Cryptogenic Stroke Patients. Stroke 47:2209–2215
  44. Nam K-W, Kim CK, Kim TJ, Oh K, Han M-K, Ko S-B, Yoon B-W (2018) FLAIR vascular hyperintensities predict early ischemic recurrence in TIA. Neurology. https://doi.org/10.1212/WNL.0000000000005034
  45. Webb AJS, Mazzucco S, Li L, Rothwell PM (2018) Prognostic Significance of Blood Pressure Variability on Beat-to-Beat Monitoring After Transient Ischemic Attack and Stroke. Stroke 49:62–67
  46. Camps‐Renom P, Prats‐Sánchez L, Casoni F, et al (2020) Plaque neovascularization detected with contrast‐enhanced ultrasound predicts ischaemic stroke recurrence in patients with carotid atherosclerosis. Eur J Neurol 27:809–816
  47. Kühnlein P, Mahnkopf C, Majersik JJ, Wilson BD, Mitlacher M, Tirschwell D, Longstreth WT, Akoum N (2021) Atrial fibrosis in embolic stroke of undetermined source: A multicenter study. Eur J Neurol 28:3634–3639
  48. van Dam-Nolen DHK, Truijman MTB, van der Kolk AG, et al (2022) Carotid Plaque Characteristics Predict Recurrent Ischemic Stroke and TIA. JACC Cardiovasc Imaging 15:1715–1726
  49. Liu J, Li J, Wu Y, et al (2025) Deep learning-based segmentation of acute ischemic stroke MRI lesions and recurrence prediction within 1 year after discharge: A multicenter study. Neuroscience 565:222–231
  50. Jing J, Suo Y, Wang A, et al (2021) Imaging Parameters Predict Recurrence After Transient Ischemic Attack or Minor Stroke Stratified by ABCD2 Score. Stroke 52:2007–2015
  51. Niiyama S, Ueno Y, Kurita N, et al (2024) White matter lesions as a prognostic marker of recurrence in cryptogenic stroke with high-risk patent foramen ovale. Journal of Stroke and Cerebrovascular Diseases 33:108048
  52. Kelly PJ, Camps-Renom P, Giannotti N, et al (2020) A Risk Score Including Carotid Plaque Inflammation and Stenosis Severity Improves Identification of Recurrent Stroke. Stroke 51:838–845
  53. Shi Z, Zhang B, Miao X, Zhang S, Li J, Liu Q, Zeng M, Lin J, Lu J, Wang H (2025) High-risk characteristics of recurrent ischemic stroke after intensive medical management for 6-month follow-up: a histogram study on vessel wall MRI. Eur Radiol 35:1313–1324
  54. García-Terriza L, Risco-Martín JL, Roselló GR, Ayala JL (2021) Predictive and diagnosis models of stroke from hemodynamic signal monitoring. Med Biol Eng Comput 59:1325–1337
  55. Liu J, Wu Y, Jia W, et al (2023) Prediction of recurrence of ischemic stroke within 1 year of discharge based on machine learning MRI radiomics. Front Neurosci. https://doi.org/10.3389/fnins.2023.1110579
  56. Aziz S, Sheikh Ghadzi SM, Abidin NE, et al (2019) Gender Differences and Risk Factors of Recurrent Stroke in Type 2 Diabetic Malaysian Population with History of Stroke: The Observation from Malaysian National Neurology Registry. J Diabetes Res 2019:1–10
  57. Fang X, Liu H, Zhang X, Zhang H, Qin X, Ji X (2016) Metabolic Syndrome, Its Components, and Diabetes on 5-Year Risk of Recurrent Stroke among Mild-to-Moderate Ischemic Stroke Survivors: A Multiclinic Registry Study. Journal of Stroke and Cerebrovascular Diseases 25:626–634
  58. Jordan LC, King AA, Kanter J, et al (2024) Incidence and Risk Factors for New and Recurrent Infarcts in Adults With Sickle Cell Disease. J Am Heart Assoc. https://doi.org/10.1161/JAHA.123.033278
  59. Montanaro VVA, Hora TF, Guerra AA, et al (2021) Artificial Inteligence-Based Decision for the Prediction of Cardioembolism in Patients with Chagas Disease and Ischemic Stroke. Journal of Stroke and Cerebrovascular Diseases 30:106034
  60. Fullerton HJ, Stratton K, Mueller S, et al (2015) Recurrent stroke in childhood cancer survivors. Neurology 85:1056–1064
  61. Ke L, Zhang H, Long K, Peng Z, Huang Y, Ma X, Wu W (2024) Risk factors and prediction models for recurrent acute ischemic stroke: a retrospective analysis. PeerJ 12:e18605
  62. Lin S-Y, Law K-M, Yeh Y-C, Wu K-C, Lai J-H, Lin C-H, Hsu W-H, Lin C-C, Kao C-H (2022) Applying Machine Learning to Carotid Sonographic Features for Recurrent Stroke in Patients With Acute Stroke. Front Cardiovasc Med. https://doi.org/10.3389/fcvm.2022.804410
  63. Brorson J, Bourand N (2022) Predictors of Very Early Stroke Recurrence in the POINT Trial Population (P16-10.009). Neurology. https://doi.org/10.1212/WNL.98.18_supplement.1952
  64. Zhang C, Wang Y, Zhao X, Liu L, Wang C, Pu Y, Zou X, Pan Y, Wong KS, Wang Y (2017) Prediction of Recurrent Stroke or Transient Ischemic Attack After Noncardiogenic Posterior Circulation Ischemic Stroke. Stroke 48:1835–1841
  65. Park J-H, Ovbiagele B (2015) Neurologic Symptom Severity after a Recent Noncardioembolic Stroke and Recurrent Vascular Risk. Journal of Stroke and Cerebrovascular Diseases 24:1032–1037
  66. Knoflach M, Lang W, Seyfang L, et al (2016) Predictive value of ABCD2 and ABCD3-I scores in TIA and minor stroke in the stroke unit setting. Neurology 87:861–869
  67. Sueda Y, Hosomi N, Tsunematsu M, et al (2015) Effects of Meteorological Conditions on the Risk of Ischemic Stroke Events in Patients Treated with Alteplase—HEWS-tPA. Journal of Stroke and Cerebrovascular Diseases 24:1500–1505
  68. Goeggel Simonetti B, Mono M-L, Huynh-Do U, et al (2015) Risk factors, aetiology and outcome of ischaemic stroke in young adults: the Swiss Young Stroke Study (SYSS). J Neurol 262:2025–2032
  69. Yuan K, Chen J, Xu P, Zhang X, Gong X, Wu M, Xie Y, Wang H, Xu G, Liu X (2020) A Nomogram for Predicting Stroke Recurrence Among Young Adults. Stroke 51:1865–1867
  70. Colangelo G, Ribo M, Montiel E, et al (2024) PRERISK: A Personalized, Artificial Intelligence–Based and Statistically–Based Stroke Recurrence Predictor for Recurrent Stroke. Stroke 55:1200–1209
  71. Vodencarevic A, Weingärtner M, Caro JJ, Ukalovic D, Zimmermann-Rittereiser M, Schwab S, Kolominsky-Rabas P (2022) Prediction of Recurrent Ischemic Stroke Using Registry Data and Machine Learning Methods: The Erlangen Stroke Registry. Stroke 53:2299–2306
  72. Wang K, Shi Q, Sun C, et al (2023) A machine learning model for visualization and dynamic clinical prediction of stroke recurrence in acute ischemic stroke patients: A real-world retrospective study. Front Neurosci. https://doi.org/10.3389/fnins.2023.1130831
  73. Luo D, Yang Z, Zhang G, Shen Q, Zhang H, Lai J, Hu H, He J, Wu S, Zhang C (2022) Machine learning in a real-world PFO study: analysis of data from multi-centers in China. BMC Med Inform Decis Mak 22:305
  74. Huang Q, Shou G-L, Shi B, Li M-L, Zhang S, Han M, Hu F-Y (2024) Machine learning is an effective method to predict the 3-month prognosis of patients with acute ischemic stroke. Front Neurol. https://doi.org/10.3389/fneur.2024.1407152
  75. Xu Y, Yang X, Huang H, Peng C, Ge Y, Wu H, Wang J, Xiong G, Yi Y (2019) Extreme Gradient Boosting Model Has a Better Performance in Predicting the Risk of 90-Day Readmissions in Patients with Ischaemic Stroke. Journal of Stroke and Cerebrovascular Diseases 28:104441
  76. Chan KL, Leng X, Zhang W, Dong W, Qiu Q, Yang J, Soo Y, Wong KS, Leung TW, Liu J (2019) Early Identification of High-Risk TIA or Minor Stroke Using Artificial Neural Network. Front Neurol. https://doi.org/10.3389/fneur.2019.00171
  77. Abedi V, Avula V, Chaudhary D, Shahjouei S, Khan A, Griessenauer CJ, Li J, Zand R Prediction of Long-Term Stroke Recurrence Using Machine Learning Models. J Clin Med 2021;10:1286
  78. Fan D, Miao R, Huang H, Wang X, Li S, Huang Q, Yang S, Deng R Multimodal ischemic stroke recurrence prediction model based on the capsule neural network and support vector machine. Medicine 2024;103:e39217
  79. Xu H, Pang J, Zhang W, Li X, Li M, Zhao D Predicting Recurrence for Patients With Ischemic Cerebrovascular Events Based on Process Discovery and Transfer Learning. IEEE J Biomed Health Inform 2021;25:2445–2453
  80. Gao Y, Li Z, Zhai X, Han L, Zhang P, Cheng S, Yue J, Cui H An interpretable machine learning model for stroke recurrence in patients with symptomatic intracranial atherosclerotic arterial stenosis. Front Neurosci. 2024. https://doi.org/10.3389/fnins.2023.1323270

References

  1. Feigin VL, Abate MD, Abate YH, et al (2024) Global, regional, and national burden of stroke and its risk factors, 1990–2021: a systematic analysis for the Global Burden of Disease Study 2021. Lancet Neurol 23:973–1003
  2. Stahmeyer JT, Stubenrauch S, Geyer S, Weissenborn K, Eberhard S (2019) The Frequency and Timing of Recurrent Stroke. Dtsch Arztebl Int. https://doi.org/10.3238/arztebl.2019.0711
  3. Khanevski AN, Bjerkreim AT, Novotny V, Næss H, Thomassen L, Logallo N, Kvistad CE (2019) Recurrent ischemic stroke: Incidence, predictors, and impact on mortality. Acta Neurol Scand 140:3–8
  4. Hernán MA (2010) The Hazards of Hazard Ratios. Epidemiology 21:13–15
  5. Çorbacıoğlu ŞK, Aksel G (2023) Receiver operating characteristic curve analysis in diagnostic accuracy studies. Turk J Emerg Med 23:195–198
  6. Page MJ, McKenzie JE, Bossuyt PM, et al (2021) The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ n71
  7. Li J, Wang Y, Lin J, Wang D, Wang A, Zhao X, Liu L, Wang C, Wang Y (2015) Soluble CD40L Is a Useful Marker to Predict Future Strokes in Patients With Minor Stroke and Transient Ischemic Attack. Stroke 46:1990–1992
  8. Kim YD, Song D, Nam HS, Lee K, Yoo J, Hong G-R, Lee HS, Nam CM, Heo JH (2015) D-dimer for prediction of long-term outcome in cryptogenic stroke patients with patent foramen ovale. Thromb Haemost 114:614–622
  9. Ye Z, Zhang Z, Zhang H, Hao Y, Zhang J, Liu W, Xu G, Liu X (2017) Prognostic Value of C-Reactive Protein and Homocysteine in Large-Artery Atherosclerotic Stroke: a Prospective Observational Study. Journal of Stroke and Cerebrovascular Diseases 26:618–626
  10. de la Riva P, Zubikarai M, Sarasqueta C, et al (2017) Nontraditional Lipid Variables Predict Recurrent Brain Ischemia in Embolic Stroke of Undetermined Source. Journal of Stroke and Cerebrovascular Diseases 26:1670–1677
  11. Kelly PJ, Camps-Renom P, Giannotti N, et al (2019) Carotid Plaque Inflammation Imaged by 18F-Fluorodeoxyglucose Positron Emission Tomography and Risk of Early Recurrent Stroke. Stroke 50:1766–1773
  12. Wang A, Xu J, Chen G, et al (2018) Oxidized low-density lipoprotein predicts recurrent stroke in patients with minor stroke or TIA. Neurology. https://doi.org/10.1212/WNL.0000000000006118
  13. Zeng N, Wang A, Xu T, et al (2019) Co-Effect of Serum Galectin-3 and High-Density Lipoprotein Cholesterol on the Prognosis of Acute Ischemic Stroke. Journal of Stroke and Cerebrovascular Diseases 28:1879–1885
  14. Ellis D, Rangaraju S, Duncan A, et al (2018) Coagulation markers and echocardiography predict atrial fibrillation, malignancy or recurrent stroke after cryptogenic stroke. Medicine 97:e13830
  15. Byun YS, Yang X, Bao W, DeMicco D, Laskey R, Witztum JL, Tsimikas S (2017) Oxidized Phospholipids on Apolipoprotein B-100 and Recurrent Ischemic Events Following Stroke or Transient Ischemic Attack. J Am Coll Cardiol 69:147–158
  16. Li S, Wang A, Tian X, Zuo Y, Meng X, Zhang Y (2022) Elevated gamma‐glutamyl transferase levels are associated with stroke recurrence after acute ischemic stroke or transient ischemic attack. CNS Neurosci Ther 28:1637–1647
  17. Alme KN, Ulvik A, Askim T, Assmus J, Mollnes TE, Naik M, Næss H, Saltvedt I, Ueland P-M, Knapskog A-B (2021) Neopterin and kynurenic acid as predictors of stroke recurrence and mortality: a multicentre prospective cohort study on biomarkers of inflammation measured three months after ischemic stroke. BMC Neurol 21:476
  18. Hoshino T, Mizuno T, Ishizuka K, Takahashi S, Arai S, Toi S, Kitagawa K (2022) Triglyceride-glucose index as a prognostic marker after ischemic stroke or transient ischemic attack: a prospective observational study. Cardiovasc Diabetol 21:264
  19. Mizuno T, Hoshino T, Ishizuka K, Toi S, Takahashi S, Wako S, Arai S, Kitagawa K (2023) Hyperhomocysteinemia Increases Vascular Risk in Stroke Patients with Chronic Kidney Disease. J Atheroscler Thromb 30:63849
  20. Wang G, Jing J, Wang A, et al (2021) Non–High-Density Lipoprotein Cholesterol Predicts Adverse Outcomes in Acute Ischemic Stroke. Stroke 52:2035–2042
  21. Genceviciute K, Göldlin MB, Kurmann CC, et al (2022) Association of diabetes mellitus and admission glucose levels with outcome after endovascular therapy in acute ischaemic stroke in anterior circulation. Eur J Neurol 29:2996–3008
  22. Wang Y, Fan H, Duan W, et al (2022) Elevated stress hyperglycemia and the presence of intracranial artery stenosis increase the risk of recurrent stroke. Front Endocrinol (Lausanne) 13:954916
  23. Geng L, Pan K, Xu Y, Zhang B, Wang J, Xue Q, Zhang S, Su H, Zhang B (2024) Antiphospholipid antibodies as potential prognostic indicators of recurrent ischemic stroke. Journal of Stroke and Cerebrovascular Diseases 33:107885
  24. Huo S, Kränkel N, Nave AH, et al (2021) Endothelial and Leukocyte-Derived Microvesicles and Cardiovascular Risk After Stroke. Neurology. https://doi.org/10.1212/WNL.0000000000011223
  25. Uphaus T, Bittner S, Gröschel S, Steffen F, Muthuraman M, Wasser K, Weber-Krüger M, Zipp F, Wachter R, Gröschel K (2019) NfL (Neurofilament Light Chain) Levels as a Predictive Marker for Long-Term Outcome After Ischemic Stroke. Stroke 50:3077–3084
  26. You S, Chen H, Miao M, et al (2023) Prognostic significance of plasma SDF-1 in acute ischemic stroke patients with diabetes mellitus: the CATIS trial. Cardiovasc Diabetol 22:274
  27. Fukuma K, Yamagami H, Ihara M, et al (2023) P2Y12 Reaction Units and Clinical Outcomes in Acute Large Artery Atherosclerotic Stroke: A Multicenter Prospective Study. J Atheroscler Thromb 30:63369
  28. Fu H, Hu P, Ma C, Peng F, He Z (2020) Association of clopidogrel high on-treatment reactivity with clinical outcomes and gene polymorphism in acute ischemic stroke patients. Medicine 99:e19472
  29. Zhao J, Chen F, Lu L, Tang H, Yang R, Wang Y, Du Y (2019) Effect of 106PEAR1 and 168PTGS1 genetic polymorphisms on recurrent ischemic stroke in Chinese patient. Medicine 98:e16457
  30. Huang X, Ye Q, Zhang Z, et al (2017) Association of matrix metalloproteinase-3 gene 5A/6A polymorphism with the recurrence of ischemic stroke: A prospective observational study. Brain Res 1674:55–61
  31. Hendrix P, Sofoluke N, Adams M, et al (2020) Matrix Gla protein polymorphism rs1800801 associates with recurrence of ischemic stroke. PLoS One 15:e0235122
  32. Ogata T, Matsuo R, Kiyuna F, et al (2017) Left Atrial Size and Long‐Term Risk of Recurrent Stroke After Acute Ischemic Stroke in Patients With Nonvalvular Atrial Fibrillation. J Am Heart Assoc. https://doi.org/10.1161/JAHA.117.006402
  33. Yang H-Y, Lian I-B, Wang S-C, Lin T-T, Ou Y-H, Liu C-K, Lin C-M (2023) Ophthalmic artery flow direction change predicts recurrence of ischemic stroke after carotid stenting: a longitudinal observational study. Eur J Med Res 28:1
  34. Andersen SD, Larsen TB, Gorst-Rasmussen A, Yavarian Y, Lip GYH, Bach FW (2017) White Matter Hyperintensities Improve Ischemic Stroke Recurrence Prediction. Cerebrovascular Diseases 43:17–24
  35. De Simone V, Zanotto G, Guarise P, Venturato A, Cassinadri E, Bassi M, Bozzolin M, Tondelli S, Giacopelli D, Morando G (2019) Effects of remote monitoring of cardiac implantable electronic devices after stroke or transient ischemic attack. Journal of Cardiovascular Medicine 20:551–556
  36. Nam K-W, Cho W-S, Kwon H-M, Kim JE, Lee Y-S, Park S-W, Rhim JH, Son Y-J (2019) Ivy Sign Predicts Ischemic Stroke Recurrence in Adult Moyamoya Patients without Revascularization Surgery. Cerebrovascular Diseases 47:223–230
  37. Yoon HJ, Kim KH, Park H, et al (2017) Carotid plaque rather than intima-media thickness as a predictor of recurrent vascular events in patients with acute ischemic stroke. Cardiovasc Ultrasound 15:19
  38. Sheriff F, Diz-Lopes M, Khawaja A, et al (2020) Microemboli After Successful Thrombectomy Do Not Affect Outcome but Predict New Embolic Events. Stroke 51:154–161
  39. Baik M, Nam HS, Heo JH, et al (2020) Advanced Liver Fibrosis Predicts Unfavorable Long-Term Prognosis in First-Ever Ischemic Stroke or Transient Ischemic Attack. Cerebrovascular Diseases 49:474–480
  40. Vinther KH, Tveskov C, Möller S, Auscher S, Osmanagic A, Egstrup K (2017) Excessive Premature Atrial Complexes and the Risk of Recurrent Stroke or Death in an Ischemic Stroke Population. Journal of Stroke and Cerebrovascular Diseases 26:1163–1170
  41. Chang KC, Chuang IC, Huang YC, Wu CY, Lin WC, Kuo YL, Lee TH, Ryu SJ (2019) Risk factors outperform intracranial large artery stenosis predicting unfavorable outcomes in patients with stroke. BMC Neurol 19:180
  42. Brown DL, Shafie-Khorassani F, Kim S, Chervin RD, Case E, Yadollahi A, Lisabeth LD (2019) Do apneas and hypopneas best reflect risk for poor outcomes after stroke? Sleep Med 63:14–17
  43. Nezu T, Mukai T, Uemura J, Yamashita M, Kitano T, Wada Y, Yagita Y (2016) Multiple Infarcts Are Associated With Long-Term Stroke Recurrence and All-Cause Mortality in Cryptogenic Stroke Patients. Stroke 47:2209–2215
  44. Nam K-W, Kim CK, Kim TJ, Oh K, Han M-K, Ko S-B, Yoon B-W (2018) FLAIR vascular hyperintensities predict early ischemic recurrence in TIA. Neurology. https://doi.org/10.1212/WNL.0000000000005034
  45. Webb AJS, Mazzucco S, Li L, Rothwell PM (2018) Prognostic Significance of Blood Pressure Variability on Beat-to-Beat Monitoring After Transient Ischemic Attack and Stroke. Stroke 49:62–67
  46. Camps‐Renom P, Prats‐Sánchez L, Casoni F, et al (2020) Plaque neovascularization detected with contrast‐enhanced ultrasound predicts ischaemic stroke recurrence in patients with carotid atherosclerosis. Eur J Neurol 27:809–816
  47. Kühnlein P, Mahnkopf C, Majersik JJ, Wilson BD, Mitlacher M, Tirschwell D, Longstreth WT, Akoum N (2021) Atrial fibrosis in embolic stroke of undetermined source: A multicenter study. Eur J Neurol 28:3634–3639
  48. van Dam-Nolen DHK, Truijman MTB, van der Kolk AG, et al (2022) Carotid Plaque Characteristics Predict Recurrent Ischemic Stroke and TIA. JACC Cardiovasc Imaging 15:1715–1726
  49. Liu J, Li J, Wu Y, et al (2025) Deep learning-based segmentation of acute ischemic stroke MRI lesions and recurrence prediction within 1 year after discharge: A multicenter study. Neuroscience 565:222–231
  50. Jing J, Suo Y, Wang A, et al (2021) Imaging Parameters Predict Recurrence After Transient Ischemic Attack or Minor Stroke Stratified by ABCD2 Score. Stroke 52:2007–2015
  51. Niiyama S, Ueno Y, Kurita N, et al (2024) White matter lesions as a prognostic marker of recurrence in cryptogenic stroke with high-risk patent foramen ovale. Journal of Stroke and Cerebrovascular Diseases 33:108048
  52. Kelly PJ, Camps-Renom P, Giannotti N, et al (2020) A Risk Score Including Carotid Plaque Inflammation and Stenosis Severity Improves Identification of Recurrent Stroke. Stroke 51:838–845
  53. Shi Z, Zhang B, Miao X, Zhang S, Li J, Liu Q, Zeng M, Lin J, Lu J, Wang H (2025) High-risk characteristics of recurrent ischemic stroke after intensive medical management for 6-month follow-up: a histogram study on vessel wall MRI. Eur Radiol 35:1313–1324
  54. García-Terriza L, Risco-Martín JL, Roselló GR, Ayala JL (2021) Predictive and diagnosis models of stroke from hemodynamic signal monitoring. Med Biol Eng Comput 59:1325–1337
  55. Liu J, Wu Y, Jia W, et al (2023) Prediction of recurrence of ischemic stroke within 1 year of discharge based on machine learning MRI radiomics. Front Neurosci. https://doi.org/10.3389/fnins.2023.1110579
  56. Aziz S, Sheikh Ghadzi SM, Abidin NE, et al (2019) Gender Differences and Risk Factors of Recurrent Stroke in Type 2 Diabetic Malaysian Population with History of Stroke: The Observation from Malaysian National Neurology Registry. J Diabetes Res 2019:1–10
  57. Fang X, Liu H, Zhang X, Zhang H, Qin X, Ji X (2016) Metabolic Syndrome, Its Components, and Diabetes on 5-Year Risk of Recurrent Stroke among Mild-to-Moderate Ischemic Stroke Survivors: A Multiclinic Registry Study. Journal of Stroke and Cerebrovascular Diseases 25:626–634
  58. Jordan LC, King AA, Kanter J, et al (2024) Incidence and Risk Factors for New and Recurrent Infarcts in Adults With Sickle Cell Disease. J Am Heart Assoc. https://doi.org/10.1161/JAHA.123.033278
  59. Montanaro VVA, Hora TF, Guerra AA, et al (2021) Artificial Inteligence-Based Decision for the Prediction of Cardioembolism in Patients with Chagas Disease and Ischemic Stroke. Journal of Stroke and Cerebrovascular Diseases 30:106034
  60. Fullerton HJ, Stratton K, Mueller S, et al (2015) Recurrent stroke in childhood cancer survivors. Neurology 85:1056–1064
  61. Ke L, Zhang H, Long K, Peng Z, Huang Y, Ma X, Wu W (2024) Risk factors and prediction models for recurrent acute ischemic stroke: a retrospective analysis. PeerJ 12:e18605
  62. Lin S-Y, Law K-M, Yeh Y-C, Wu K-C, Lai J-H, Lin C-H, Hsu W-H, Lin C-C, Kao C-H (2022) Applying Machine Learning to Carotid Sonographic Features for Recurrent Stroke in Patients With Acute Stroke. Front Cardiovasc Med. https://doi.org/10.3389/fcvm.2022.804410
  63. Brorson J, Bourand N (2022) Predictors of Very Early Stroke Recurrence in the POINT Trial Population (P16-10.009). Neurology. https://doi.org/10.1212/WNL.98.18_supplement.1952
  64. Zhang C, Wang Y, Zhao X, Liu L, Wang C, Pu Y, Zou X, Pan Y, Wong KS, Wang Y (2017) Prediction of Recurrent Stroke or Transient Ischemic Attack After Noncardiogenic Posterior Circulation Ischemic Stroke. Stroke 48:1835–1841
  65. Park J-H, Ovbiagele B (2015) Neurologic Symptom Severity after a Recent Noncardioembolic Stroke and Recurrent Vascular Risk. Journal of Stroke and Cerebrovascular Diseases 24:1032–1037
  66. Knoflach M, Lang W, Seyfang L, et al (2016) Predictive value of ABCD2 and ABCD3-I scores in TIA and minor stroke in the stroke unit setting. Neurology 87:861–869
  67. Sueda Y, Hosomi N, Tsunematsu M, et al (2015) Effects of Meteorological Conditions on the Risk of Ischemic Stroke Events in Patients Treated with Alteplase—HEWS-tPA. Journal of Stroke and Cerebrovascular Diseases 24:1500–1505
  68. Goeggel Simonetti B, Mono M-L, Huynh-Do U, et al (2015) Risk factors, aetiology and outcome of ischaemic stroke in young adults: the Swiss Young Stroke Study (SYSS). J Neurol 262:2025–2032
  69. Yuan K, Chen J, Xu P, Zhang X, Gong X, Wu M, Xie Y, Wang H, Xu G, Liu X (2020) A Nomogram for Predicting Stroke Recurrence Among Young Adults. Stroke 51:1865–1867
  70. Colangelo G, Ribo M, Montiel E, et al (2024) PRERISK: A Personalized, Artificial Intelligence–Based and Statistically–Based Stroke Recurrence Predictor for Recurrent Stroke. Stroke 55:1200–1209
  71. Vodencarevic A, Weingärtner M, Caro JJ, Ukalovic D, Zimmermann-Rittereiser M, Schwab S, Kolominsky-Rabas P (2022) Prediction of Recurrent Ischemic Stroke Using Registry Data and Machine Learning Methods: The Erlangen Stroke Registry. Stroke 53:2299–2306
  72. Wang K, Shi Q, Sun C, et al (2023) A machine learning model for visualization and dynamic clinical prediction of stroke recurrence in acute ischemic stroke patients: A real-world retrospective study. Front Neurosci. https://doi.org/10.3389/fnins.2023.1130831
  73. Luo D, Yang Z, Zhang G, Shen Q, Zhang H, Lai J, Hu H, He J, Wu S, Zhang C (2022) Machine learning in a real-world PFO study: analysis of data from multi-centers in China. BMC Med Inform Decis Mak 22:305
  74. Huang Q, Shou G-L, Shi B, Li M-L, Zhang S, Han M, Hu F-Y (2024) Machine learning is an effective method to predict the 3-month prognosis of patients with acute ischemic stroke. Front Neurol. https://doi.org/10.3389/fneur.2024.1407152
  75. Xu Y, Yang X, Huang H, Peng C, Ge Y, Wu H, Wang J, Xiong G, Yi Y (2019) Extreme Gradient Boosting Model Has a Better Performance in Predicting the Risk of 90-Day Readmissions in Patients with Ischaemic Stroke. Journal of Stroke and Cerebrovascular Diseases 28:104441
  76. Chan KL, Leng X, Zhang W, Dong W, Qiu Q, Yang J, Soo Y, Wong KS, Leung TW, Liu J (2019) Early Identification of High-Risk TIA or Minor Stroke Using Artificial Neural Network. Front Neurol. https://doi.org/10.3389/fneur.2019.00171
  77. Abedi V, Avula V, Chaudhary D, Shahjouei S, Khan A, Griessenauer CJ, Li J, Zand R (2021) Prediction of Long-Term Stroke Recurrence Using Machine Learning Models. J Clin Med 10:1286
  78. Fan D, Miao R, Huang H, Wang X, Li S, Huang Q, Yang S, Deng R (2024) Multimodal ischemic stroke recurrence prediction model based on the capsule neural network and support vector machine. Medicine 103:e39217
  79. Xu H, Pang J, Zhang W, Li X, Li M, Zhao D (2021) Predicting Recurrence for Patients With Ischemic Cerebrovascular Events Based on Process Discovery and Transfer Learning. IEEE J Biomed Health Inform 25:2445–2453
  80. Gao Y, Li Z, Zhai X, Han L, Zhang P, Cheng S, Yue J, Cui H (2024) An interpretable machine learning model for stroke recurrence in patients with symptomatic intracranial atherosclerotic arterial stenosis. Front Neurosci. https://doi.org/10.3389/fnins.2023.1323270

Дата поступления: 17.03.2025


Просмотров: 14

Ваш комментарий будет первым

Добавить комментарий
  • Пожалуйста оставляйте комментарии только по теме.
  • Вы можете оставить свой комментарий любым браузером кроме Internet Explorer старше 6.0
Имя:
E-mail
Комментарий:

Код:* Code
Последнее обновление ( 20.09.2025 г. )
« Пред.   След. »
Вернуться

Все права защищены © 2025 http://vestnik.mednet.ru
Перепечатка информации возможна только при наличии
согласия администратора и активной ссылки на источник!
Эл.№ФС77-28654 от 19 июля 2007 г.



home contact search contact search