Risikoforudsigelsesmodel for cerebrovaskulære hændelser i carotisarteriestenose

Aterosklerotisk carotisarteriestenose er en væsentlig årsag til slagtilfælde, og tidlig identifikation af højrisikopatienter og kirurgisk indgreb kan reducere deres risiko for slagtilfælde markant. I øjeblikket er vurderingen af ​​slagtilfælderisiko hos patienter med halsarteriestenose hovedsageligt baseret på billeddiagnostiske indikatorer som plakmorfologi, sammensætning og stenosegrad, og der tages mindre hensyn til indikatorer, der er direkte relateret til inflammatorisk respons, hæmodynamik og plaque-ustabilitet. Visse metabolitter i patientens kredsløb er ikke kun tæt forbundet med plakprogression, men er også direkte risikofaktorer for slagtilfælde. I øjeblikket er der mangel på risikoforudsigelsesmodeller for slagtilfælde for patienter med carotisstenose, der inkluderer ovenstående indikatorer, og evnen til at identificere højrisikopatienter skal forbedres yderligere. Derfor foreslår denne undersøgelse at bruge deep learning-teknologi til at integrere multidimensionelle data fra patienters plaque-billeddannelse, væskedynamik, cirkulerende metabolomics og proteomics for at konstruere en nøjagtig forudsigelsesmodel for cerebrovaskulære hændelser hos patienter med carotisarteriestenose, og for yderligere at udforske markører for plaque ustabilitetsegenskaber i kombination med plaque patologi. Denne undersøgelse forventes at give grundlag for at identificere højrisikopatienter med halspulsåren stenose og lægge grundlaget for yderligere at reducere risikoen for slagtilfælde og forbedre patienternes langsigtede prognose.