En tidlig varslingsmodel for ugunstige resultater efter endovaskulær interventionsbehandling af intrakraniel aneurisme

Endovaskulær behandling er blevet en af ​​de primære behandlingsmetoder for intrakranielle aneurismer. De ugunstige resultater under opfølgningen omfattede gentagelse af aneurisme og langvarig ufuldstændig okklusion, hvilket ville medføre en høj risiko for genblødning og genbehandling. Tidligere undersøgelser har forsøgt at forudsige resultaterne af aneurismer efter endovaskulær behandling baseret på aneurismekarakteristika, herunder morfologi, emboliseringspakningsgrad osv., men konklusionen var inkonsekvent. Hæmodynamik af aneurismer og forældrearterie spillede en større rolle i forudsigelsen af ​​resultater efter endovaskulær behandling. Efterforskere fandt også, at resultaterne blev bestemt af mange faktorer, hvor demografi, kliniske indikatorer, behandlingsmetoder og materialevalg ikke kan ignoreres, og mekanismen for ugunstige billeddannelsesresultater bør undersøges ved hjælp af store stikprøver af kliniske tilfælde og talrige variable. parametre. Foreksperimentet af efterforskere bekræftede, at kunstig intelligens-teknologi kan opfylde beregningskravene til dyb minedrift og analyse af store prøvedata. Denne undersøgelse har til formål at bruge den dybe læringsmodel til at identificere relevante risikofaktorer og vægte, etablere en stabil og præcis forudsigelsesmodel og derefter inkorporere den prospektive undersøgelse for at verificere modellen. Resultaterne vil være meget nyttige til præcist at forudsige de uønskede udfald såsom tilbagefald og langvarig ikke-okklusion efter endovaskulær behandling og hjælpe med at forbedre den terapeutiske strategi og undgå risikofaktorer. Desuden kan forekomsten af ​​iskæmiske eller hæmoragiske komplikationer under opfølgningen påvirke det endelige opfølgningsresultat, så analysen blev inkluderet som en af ​​udfaldsbegivenhederne for at evaluere prognosen efter intervention.