Prognose en plaatjesaggregatieremmers voor patiënten met PCI en hoog bloedingsrisico: een studieprotocol

Dit spoor is een door een onderzoeker geïnitieerd prospectief register in één centrum. PPP-PCI heeft tot doel de kenmerken en prognose van de PCI-HBR-populatie te observeren en geschikte plaatjesaggregatieremmers te onderzoeken om een ​​basis te bieden voor interventiebegeleiding voor patiënten met PCI-HBR. Dit project zal helpen om de bestaande bloedingsvoorspellingsmodellen verder te verbeteren en de efficiëntie van de behandeling van PCI-HBR-patiënten te verbeteren.

De baseline-informatie van de patiënt is gebaseerd op de laatste test vóór de PCI-procedure. Basisinformatie omvat leeftijd, geslacht, systolische bloeddruk, diastolische bloeddruk, body mass index, rookstatus, rookvolume, positieve familiegeschiedenis van hart- en vaatziekten, hyperlipidemie, hypertensie, diabetes, beroertegeschiedenis, perifere arteriële ziekte, enz. Realtime updatefuncties omvatten DAPT-sessies, MACE-gebeurtenisrecords, symptoomrecords, tekenrecords, testresultaten, diagnose, medisch advies, real-time tekenbewakingsapparatuurgegevens, ECG-afwijkingen, enz. Tests omvatten een volledige set lipideniveaus (inclusief triglyceriden, cholesterol , HDL, LDL, enz.), biochemische parameters (waaronder creatinine, glomerulaire filtratiesnelheid, urinezuur, enz.), hemoglobine-, glucose-, geglyceerd hemoglobine-, homocysteïne- en lipoproteïne(a)-niveau. Beeldvormings- en functionele testgegevens omvatten coronaire angiografiebeelden, interventiegerelateerde parameters en kenmerken van doelvatlaesie. De patiëntgegevens worden gecorreleerd met de bezoekintensiteit. De beeldvormende beelden worden gebruikt voor diep leren om ongestructureerde classificatiemodellen te bouwen. De niet-beeldvormende gegevens worden gebruikt voor machine learning om een ​​gestructureerd classificatiemodel te bouwen. Voorbewerking van de gegevens omvat beeldnormalisatie, correctie en normalisatie van onregelmatige waarden, detectie en verwijdering van uitschieters en anomalieën, interpolatie en verwerping van nulwaarden, verwijdering van multicollineariteit en gegevensnormalisatie.

Voor de beeldvormingsbeelden werd een deep learning-model geconstrueerd met behulp van een convolutioneel neuraal netwerk om de coronaire vasculaire laesies en functionele omstandigheden in de coronaire angiografiebeelden te dichotomiseren. Voor de niet-beeldvormende beeldgegevens werd de Embedded-methode gebruikt als de methode op het hoogste niveau, en werden logistische regressie, willekeurig bos en gradiëntversterkende boom gebruikt als de algoritmen op het laagste niveau, en de sleutelfactoren die van invloed zijn op het optreden van MACE in de PCI-HBR-populatie werd geëxtraheerd door de kenmerkgewichten te fuseren door middel van geïntegreerd leren. Op basis van de geëxtraheerde sleutelfactoren werd een binair machine learning-discriminerend model opgesteld en werden SVM, XGBoost, random forest en kunstmatig neuraal netwerk gebruikt om de evaluatie van meerdere modellen te voltooien, en het beste model werd geselecteerd als het machine learning-classificatiemodel .

De structuren van het deep learning-model en het machine learning-model worden gewogen en samengevoegd om de uiteindelijke resultaten uit te voeren. Vervolgens worden de gegevens die door het toekomstige model zijn verzameld, teruggestuurd naar de trainingsdataset voor incrementeel leren om het model te corrigeren.

Deze studie zal nieuwe inzichten en bewijzen opleveren over optimale plaatjesaggregatieremmers voor een patiëntencohort met een hoog risico op bloedingen, wat in de dagelijkse praktijk vaak voorkomt.