卒中，短暂性脑缺血发作，和一过性黑矇，详细解读如下：

01/ 背景

目前，对颈动脉粥样硬化患者的风险评估主要依赖于狭窄程度的测量。采用更可靠的风险分层方法，可能有助于更准确地筛选适合接受针对性治疗的患者。

本研究聚焦无症状颈动脉粥样硬化人群，综合考虑了斑块形态学特征，患者人口学特征和患者临床信息，开发并验证了一种用于预测主要不良神经系统事件（major adverse neurologic events，MANE）的模型。MANE包括卒中（stroke），短暂性脑缺血发作（transient ischemic attack，TIA） 和一过性黑矇（amaurosis fugax）。

02/ 方法 

筛选人群：对参与 Carotid Risk Prediction研究的四家机构收集的影像资料进行了回顾性分析。 研究收集时间为 2015年1月1日至2020年9月30日。纳入的影像资料来自于无症状颈动脉粥样硬化患者，这些患者在基线时接受了颈部CTA检查，并在至少6个月后再次接受CTA检查。纳入研究的患者必须满足以下条件：

• 在基线时接受过神经系统评估； 
• 在随访影像学检查完成后至少1年内，接受过至少一次神经系统评估；

无症状状态定义为：在入组前6个月内，目标颈动脉未发生与其相关的：卒中，短暂性脑缺血发作，和一过性黑矇

研究纳入了221例不同程度无症状颈动脉狭窄患者。所有患者均接受了基线CTA检查和至少6个月后的随访CTA检查 ，在221名患者中，190名患者拥有完整资料，并被纳入最终分析。

结局：研究人员查阅患者病历，如急诊记录（emergency room records），临床病程记录（clinical notes） ，住院病历（hospital admission records） ，影像学报告（imaging reports）等 ，以识别在斑块影像检查之后发生的、由目标颈动脉导致的新发MANE。

建模与验证：研究人员分析了CTA图像中的颈动脉斑块几何学特征和斑块组织成分，将影像数据按照7:3的比例划分为训练集（training dataset）和验证集（validation dataset），研究首先利用训练集建立预测MANE的最佳模型，并将患者特征和斑块特征纳入分析，随后在验证集中评估其表现。

03/ 结果

在随访期间（中位随访时间18个月，四分位距12–36个月），该队列共发生62例MANE，其中包括48例卒中、9例短暂性脑缺血发作，和5例一过性黑矇。

多变量回归模型表明，由基线斑块特征（包括基质成分、斑块内出血、血管壁厚度和斑块负荷）以及临床特征（年龄、BMI和血脂水平）构成的综合模型具有最佳预测性能（AUC=0.79）。相比之下，传统采用的狭窄程度预测能力较差（AUC=0.55）。

在所有单一预测指标中，斑块内出血是区分MANE发生与否的最强预测因子。将斑块内出血与血管重塑指标联合纳入模型后，可获得最佳预测效果。该模型在独立验证集中仍保持较好的预测能力（AUC=0.64），且明显优于单纯依赖狭窄程度的模型（AUC=0.49）。

04/ 结论

对于颈动脉粥样硬化患者，结合斑块形态学特征、斑块组织成分、人口学特征及临床信息的综合预测模型，较传统仅依赖狭窄程度的评估方法能够更准确地预测主要不良神经系统事件的发生。该模型有望改善患者的风险分层，并帮助识别未来发生神经系统事件高风险的患者。