Op OCT gebaseerde Machine Learning FFR voor het voorspellen van post-PCI FFR

FFR- en OCT-examen worden voor verschillende doeleinden gebruikt tijdens percutane coronaire interventie (PCI). De FFR is een besluitvormingsinstrument om te bepalen of aanvullende procedures nodig zijn, terwijl het OCT-examen wordt gebruikt om de stentprocedure te optimaliseren. Het gebruik van beide tests levert aanvullende informatie op om een ​​uitstekende procedure uit te voeren, maar is duurder en tijdrovender.

Daarom kan een op OCT gebaseerde FFR-test voor machinaal leren nuttig zijn. Eerdere studies hebben aangetoond dat op OCT gebaseerde machine learning FFR vóór de procedure goede diagnostische prestaties heeft laten zien bij het voorspellen van FFR, ongeacht het coronaire territorium.

Ondanks de snelle ontwikkeling van technologieën en hulpmiddelen voor PCI ondervond een aanzienlijk aantal patiënten bijwerkingen, zoals het opnieuw optreden van angina pectoris en stille ischemie, ondanks angiografisch succesvolle PCI. Suboptimale PCI is een bekende onafhankelijke prognostische factor voor ernstige cardiovasculaire ongevallen. Daarom is het meten van post-PCI FFR onmiddellijk na stentimplantatie cruciaal om het resultaat van de procedure te optimaliseren en de prognose van de patiënt te verbeteren. Hoewel het belang van het meten van post-PCI FFR geleidelijk aan groeit, bestaat er momenteel geen model voor OCT-gebaseerde machine learning FFR dat FFR na het inbrengen van de stent voorspelt. Bij patiënten die een percutane coronaire interventie hebben ondergaan met behulp van stents voor ischemische hartziekten, zullen we de diagnostische nauwkeurigheid vergelijken van het fractionele flowreserve (FFR)-model, afgeleid door machinaal leren op basis van optische coherentietomografie (OCT)-onderzoek na implantatie van een coronaire stent met de draad -gebaseerde FFR.