OCT-baseret Machine Learning FFR til forudsigelse af Post-PCI FFR

FFR og OCT eksamen bruges til forskellige formål under perkutan koronar intervention (PCI). FFR er et beslutningsværktøj til at afgøre, om yderligere procedurer er nødvendige, mens OCT-undersøgelsen bruges til at optimere stentproceduren. Brugen af ​​begge test giver yderligere information til at hjælpe med at udføre en fremragende procedure, men det er dyrere og tidskrævende.

Derfor kan en OCT-afledt maskinlærings-FFR-test være nyttig. Tidligere undersøgelser har vist, at OCT-baseret maskinlæring FFR før proceduren har vist god diagnostisk ydeevne til at forudsige FFR, uanset koronarterritoriet.

På trods af den hurtige udvikling af teknologier og værktøjer til PCI oplevede et betydeligt antal patienter bivirkninger, såsom tilbagevenden af ​​angina og stille iskæmi på trods af angiografisk succesfuld PCI. Suboptimal PCI er en velkendt uafhængig prognostisk faktor for større kardiovaskulære ulykker. Derfor er måling af post-PCI FFR umiddelbart efter stentimplantation afgørende for at optimere procedurens resultat og forbedre patientens prognose. Selvom vigtigheden af ​​at måle post-PCI FFR gradvist dukker op, er der i øjeblikket ingen model for OCT-baseret maskinlærings-FFR, der forudsiger FFR efter stentindsættelse. Hos patienter, der gennemgik perkutan koronar intervention ved hjælp af stents for iskæmisk hjertesygdom, vil vi sammenligne den diagnostiske nøjagtighed af fraktionel flow reserve (FFR) modellen udledt af maskinlæring baseret på optisk kohærens tomografi (OCT) undersøgelse efter koronar arterie stent implantation med ledningen -baseret FFR.