Prognose und Thrombozytenaggregationshemmer-Strategien für Patienten mit PCI und hohem Blutungsrisiko: Ein Studienprotokoll

Diese Spur ist eine prospektive Registrierung, die von einem einzelnen Prüfzentrum initiiert wurde. PPP-PCI zielt darauf ab, die Merkmale und Prognose der PCI-HBR-Population zu beobachten und geeignete Thrombozytenaggregationshemmer zu erforschen, um eine Grundlage für Interventionsleitlinien für Patienten mit PCI-HBR zu schaffen. Dieses Projekt wird dazu beitragen, die bestehenden Blutungsvorhersagemodelle weiter zu verbessern und die Effizienz der Behandlung von PCI-HBR-Patienten zu verbessern.

Die Baseline-Informationen der Patienten basieren auf dem letzten Test vor dem PCI-Eingriff. Zu den grundlegenden Informationen gehören Alter, Geschlecht, systolischer Blutdruck, diastolischer Blutdruck, Body-Mass-Index, Raucherstatus, Rauchervolumen, positive Familiengeschichte von Herz-Kreislauf-Erkrankungen, Hyperlipidämie, Bluthochdruck, Diabetes, Schlaganfallgeschichte, periphere arterielle Verschlusskrankheit usw. Echtzeit Zu den Aktualisierungsfunktionen gehören DAPT-Sitzungen, MACE-Ereignisaufzeichnungen, Symptomaufzeichnungen, Zeichenaufzeichnungen, Testergebnisse, Diagnose, medizinische Beratung, Gerätedaten zur Zeichenüberwachung in Echtzeit, EKG-Anomalien usw. Die Tests umfassen einen vollständigen Satz von Lipidwerten (einschließlich Triglyceride, Cholesterin , HDL, LDL usw.), biochemische Parameter (einschließlich Kreatinin, glomeruläre Filtrationsrate, Harnsäure usw.), Hämoglobin-, Glucose-, glykiertes Hämoglobin-, Homocystein- und Lipoprotein(a)-Spiegel. Zu den Bildgebungs- und Funktionstestdaten gehören Koronarangiographiebilder, eingriffsbezogene Parameter und Läsionsmerkmale des Zielgefäßes. Die Patientendaten werden mit der Besuchsintensität korreliert. Die Bildgebungsbilder werden für Deep Learning verwendet, um unstrukturierte Klassifizierungsmodelle zu erstellen. Die nicht bildgebenden Daten werden für maschinelles Lernen verwendet, um ein strukturiertes Klassifizierungsmodell zu erstellen. Die Vorverarbeitung der Daten umfasst die Bildnormalisierung, die Korrektur und Normalisierung unregelmäßiger Werte, die Erkennung und Entfernung von Ausreißern und Anomalien, die Interpolation und Zurückweisung von Nullwerten, die Entfernung von Multikollinearität und die Datennormalisierung.

Für die Bildgebungsbilder wurde ein Deep-Learning-Modell unter Verwendung eines konvolutionellen neuronalen Netzwerks konstruiert, um die in den Koronarangiographiebildern enthaltenen koronaren Gefäßläsionen und funktionellen Zustände zu dichotomisieren. Für die nicht bildgebenden Bilddaten wurde die Embedded-Methode als Top-Level-Methode verwendet, und logistische Regression, Random Forest und Gradient Boosting Tree wurden als Bottom-Level-Algorithmen und die Schlüsselfaktoren, die das Auftreten von MACE beeinflussen, verwendet Die PCI-HBR-Population wurde durch Verschmelzen der Merkmalsgewichte durch integriertes Lernen extrahiert. Basierend auf den extrahierten Schlüsselfaktoren wurde ein diskriminatives Modell für binäres maschinelles Lernen erstellt, und SVM, XGBoost, Random Forest und ein künstliches neuronales Netzwerk wurden verwendet, um die Bewertung mehrerer Modelle abzuschließen, und das beste Modell wurde als Klassifizierungsmodell für maschinelles Lernen ausgewählt .

Das Deep-Learning-Modell und die Modellstrukturen für maschinelles Lernen werden gewichtet und fusioniert, um die Endergebnisse auszugeben. Dann werden die vom Zukunftsmodell gesammelten Daten zum inkrementellen Lernen zur Korrektur des Modells an den Trainingsdatensatz zurückgegeben.

Diese Studie wird neue Erkenntnisse und Beweise für eine optimale Thrombozytenaggregationshemmung für eine Patientenkohorte mit hohem Blutungsrisiko liefern, die in der Praxis häufig anzutreffen ist.