Prognosi e strategie antipiastriniche per pazienti con PCI e alto rischio di sanguinamento: un protocollo di studio

Questo percorso è un registro prospettico avviato da un ricercatore a centro singolo. PPP-PCI mira a osservare le caratteristiche e la prognosi della popolazione PCI-HBR e ad esplorare regimi terapeutici antipiastrinici appropriati per fornire una base per una guida all'intervento per i pazienti con PCI-HBR. Questo progetto contribuirà a migliorare ulteriormente i modelli di previsione del sanguinamento esistenti e migliorare l'efficienza del trattamento dei pazienti con PCI-HBR.

Le informazioni di riferimento dei pazienti si basano sull'ultimo test prima della procedura PCI. Le informazioni di base includono età, sesso, pressione arteriosa sistolica, pressione arteriosa diastolica, indice di massa corporea, abitudine al fumo, volume del fumo, anamnesi familiare positiva per malattie cardiovascolari, iperlipidemia, ipertensione, diabete, anamnesi di ictus, malattia delle arterie periferiche, ecc. In tempo reale le funzionalità di aggiornamento includono sessioni DAPT, registrazioni di eventi MACE, registrazioni di sintomi, registrazioni di segni, risultati di test, diagnosi, consulenza medica, dati delle apparecchiature di monitoraggio dei segni in tempo reale, anomalie ECG, ecc. I test includono una serie completa di livelli di lipidi (inclusi trigliceridi, colesterolo , HDL, LDL, ecc.), parametri biochimici (tra cui creatinina, velocità di filtrazione glomerulare, acido urico, ecc.), emoglobina, glucosio, emoglobina glicata, omocisteina e livello di lipoproteina(a). I dati di imaging e test funzionali includono immagini di angiografia coronarica, parametri relativi all'intervento e caratteristiche della lesione del vaso target. I dati del paziente sono correlati con l'intensità della visita. Le immagini di imaging vengono utilizzate per il deep learning per creare modelli di classificazione non strutturati. I dati non di imaging vengono utilizzati per l'apprendimento automatico per creare un modello di classificazione strutturato. La pre-elaborazione dei dati include la normalizzazione dell'immagine, la correzione e la normalizzazione dei valori irregolari, il rilevamento e la rimozione di outlier e anomalie, l'interpolazione e il rifiuto dei valori nulli, la rimozione della multicollinearità e la normalizzazione dei dati.

Per le immagini di imaging, è stato costruito un modello di apprendimento profondo utilizzando la rete neurale convoluzionale per dicotomizzare le lesioni vascolari coronariche e le condizioni funzionali contenute nelle immagini dell'angiografia coronarica. Per i dati delle immagini non di imaging, il metodo incorporato è stato utilizzato come metodo di livello superiore e la regressione logistica, la foresta casuale e l'albero di potenziamento del gradiente sono stati utilizzati come algoritmi di livello inferiore e i fattori chiave che influenzano l'occorrenza di MACE nel La popolazione PCI-HBR è stata estratta fondendo i pesi delle caratteristiche attraverso l'apprendimento integrato. Sulla base dei fattori chiave estratti, è stato stabilito un modello discriminativo di apprendimento automatico binario e SVM, XGBoost, foresta casuale e rete neurale artificiale sono stati utilizzati per completare la valutazione di più modelli e il modello migliore è stato selezionato come modello di classificazione dell'apprendimento automatico .

Il modello di deep learning e le strutture del modello di machine learning vengono ponderati e fusi per produrre i risultati finali. Quindi i dati raccolti dal modello futuro vengono restituiti al set di dati di addestramento per l'apprendimento incrementale per correggere il modello.

Questo studio fornirà nuove intuizioni e prove sulla terapia antipiastrinica ottimale per una coorte di pazienti ad alto rischio di sanguinamento che si incontra frequentemente nella pratica del mondo reale.