Ennuste ja verihiutaleiden vastaiset strategiat potilaille, joilla on PCI ja korkea verenvuotoriski: Tutkimuspöytäkirja

Tämä polku on yhden keskuksen tutkijan aloitteesta tuleva henkilörekisteri. PPP-PCI:n tavoitteena on tarkkailla PCI-HBR-populaation ominaisuuksia ja ennustetta ja tutkia sopivia verihiutaleiden vastaisia ​​hoito-ohjelmia, jotka tarjoavat perustan interventio-ohjaukselle potilaille, joilla on PCI-HBR. Tämä projekti auttaa edelleen parantamaan olemassa olevia verenvuodon ennustemalleja ja tehostamaan PCI-HBR-potilaiden hoitoa.

Potilaiden perustiedot perustuvat viimeisimpään testiin ennen PCI-menettelyä. Perustietoja ovat ikä, sukupuoli, systolinen verenpaine, diastolinen verenpaine, painoindeksi, tupakointitila, tupakointimäärä, positiivinen suvussa sydän- ja verisuonitauti, hyperlipidemia, verenpainetauti, diabetes, aivohalvaushistoria, ääreisvaltimotauti jne. Reaaliaikainen päivitysominaisuuksiin kuuluvat DAPT-istunnot, MACE-tapahtumatietueet, oirerekisterit, merkkitietueet, testitulokset, diagnoosit, lääketieteelliset neuvot, reaaliaikaiset merkkien seurantalaitteiden tiedot, EKG-poikkeavuudet jne. Testit sisältävät täyden sarjan lipiditasoja (mukaan lukien triglyseridit, kolesteroli). , HDL, LDL jne.), biokemialliset parametrit (mukaan lukien kreatiniini, glomerulusten suodatusnopeus, virtsahappo jne.), hemoglobiini-, glukoosi-, glykoitu hemoglobiini-, homokysteiini- ja lipoproteiini(a)-taso. Kuvaus- ja toiminnalliset testaustiedot sisältävät sepelvaltimon angiografiakuvia, interventioon liittyviä parametreja ja kohdesuoneen leesion ominaisuuksia. Potilastiedot korreloivat käynnin intensiteetin kanssa. Kuvauskuvia käytetään syväoppimiseen rakenteettomia luokitusmalleja. Kuvaamatonta dataa käytetään koneoppimiseen strukturoidun luokitusmallin rakentamiseen. Tietojen esikäsittely sisältää kuvan normalisoinnin, epäsäännöllisten arvojen korjauksen ja normalisoinnin, poikkeamien ja poikkeamien havaitsemisen ja poistamisen, nolla-arvojen interpoloinnin ja hylkäämisen, multikollineaarisuuden poistamisen ja tietojen normalisoinnin.

Kuvauskuvia varten rakennettiin syväoppimismalli käyttämällä konvoluutiohermoverkkoa sepelvaltimon verisuonivaurioiden ja sepelvaltimon angiografiakuvien sisältämien toiminnallisten olosuhteiden erottamiseksi toisistaan. Ei-kuvantavien kuvatietojen osalta ylätason menetelmänä käytettiin Embedded-menetelmää ja alimman tason algoritmeina logistista regressiota, satunnaista metsää ja gradientin tehostuspuuta sekä MACE:n esiintymiseen vaikuttavia avaintekijöitä. PCI-HBR-populaatio erotettiin yhdistämällä ominaispainot integroidun oppimisen avulla. Poimittujen avaintekijöiden perusteella muodostettiin binaarinen koneoppimisen erottelumalli, ja useiden mallien arvioinnissa käytettiin SVM:tä, XGBoostia, satunnaista metsää ja keinotekoista hermoverkkoa, ja paras malli valittiin koneoppimisen luokittelumalliksi. .

Syväoppimismallin ja koneoppimismallin rakenteet on painotettu ja yhdistetty lopputulosten tuottamiseksi. Sitten tulevan mallin keräämät tiedot siirretään takaisin harjoitustietojoukkoon inkrementaalista oppimista varten mallin korjaamiseksi.

Tämä tutkimus tarjoaa uusia näkemyksiä ja todisteita optimaalisesta verihiutaleiden vastaisesta hoidosta korkean verenvuotoriskin potilasryhmälle, jota kohdataan usein tosielämässä.