Prognózis és trombocita-ellenes stratégiák PCI-ben szenvedő és magas vérzési kockázatú betegek számára: Vizsgálati jegyzőkönyv

Ez a nyomvonal egyetlen központ nyomozó által kezdeményezett leendő nyilvántartás. A PPP-PCI célja a PCI-HBR populáció jellemzőinek és prognózisának megfigyelése, valamint a megfelelő thrombocyta-aggregáció ellenes terápiás sémák feltárása, amelyek alapot nyújtanak a PCI-HBR-ben szenvedő betegek beavatkozási útmutatásaihoz. Ez a projekt segíteni fog a meglévő vérzés-előrejelző modellek továbbfejlesztésében és a PCI-HBR betegek kezelésének hatékonyságának javításában.

A betegek alapinformációi a PCI-eljárás előtti legutóbbi teszten alapulnak. Az alapvető információk közé tartozik az életkor, a nem, a szisztolés vérnyomás, a diasztolés vérnyomás, a testtömeg-index, a dohányzási állapot, a dohányzás mennyisége, a szív- és érrendszeri betegségek pozitív családi anamnézisében, hiperlipidémia, magas vérnyomás, cukorbetegség, szélütés, perifériás artériás betegség stb. A frissítési funkciók közé tartoznak a DAPT-munkamenetek, a MACE eseményrekordok, a tünetrekordok, a jelrekordok, a vizsgálati eredmények, a diagnózis, az orvosi tanácsadás, a valós idejű jelfigyelő berendezés adatai, az EKG-rendellenességek stb. A tesztek a lipidszintek teljes készletét tartalmazzák (beleértve a triglicerideket, koleszterint is). , HDL, LDL stb.), biokémiai paraméterek (beleértve a kreatinint, a glomeruláris filtrációs rátát, a húgysavat stb.), a hemoglobin, a glükóz, a glikált hemoglobin, a homocisztein és a lipoprotein(a) szintet. A képalkotó és funkcionális tesztelési adatok magukban foglalják a koszorúér angiográfiás képeket, a beavatkozással kapcsolatos paramétereket és a cél érelváltozás jellemzőit. A betegadatok korrelálnak a látogatás intenzitásával. A képalkotó képeket mély tanulásra használják strukturálatlan osztályozási modellek felépítéséhez. A nem képalkotó adatokat a gépi tanuláshoz használják fel egy strukturált osztályozási modell felépítéséhez. Az adatok előfeldolgozása magában foglalja a kép normalizálását, a szabálytalan értékek korrekcióját és normalizálását, a kiugró értékek és anomáliák észlelését és eltávolítását, a nullértékek interpolációját és elutasítását, a multikollinearitás eltávolítását és az adatok normalizálását.

A képalkotó képekhez egy mély tanulási modellt állítottunk fel konvolúciós neurális hálózat segítségével, hogy dichotomizáljuk a koszorúér-érrendszeri elváltozásokat és a koszorúér angiográfiás képekben található funkcionális feltételeket. A nem képalkotó képadatokhoz az Embedded módszert alkalmaztuk felső szintű módszerként, a logisztikus regressziót, a véletlen erdőt és a gradiensnövelő fát pedig az alsó szintű algoritmusok, valamint a MACE előfordulását befolyásoló kulcstényezők. A PCI-HBR populációt a jellemzősúlyok integrált tanulással történő összeolvasztásával nyertük ki. A kinyert kulcstényezők alapján egy bináris gépi tanulási diszkriminatív modellt állítottak fel, és SVM-et, XGBoost-ot, véletlenszerű erdőt és mesterséges neurális hálózatot használtak a több modell értékelésének befejezéséhez, és a legjobb modellt választották gépi tanulási osztályozási modellnek. .

A mély tanulási modell és a gépi tanulási modell struktúrái súlyozva vannak, és összeolvasztják a végső eredményeket. Ezután a jövőbeli modell által gyűjtött adatok visszakerülnek a betanítási adatkészletbe, ahol növekményes tanulást végeznek a modell javítása érdekében.

Ez a vizsgálat új betekintést és bizonyítékot nyújt az optimális thrombocyta-aggregáció elleni terápiáról egy magas vérzési kockázatú betegcsoport számára, amely a gyakorlatban gyakran előfordul.