Risicovoorspellingsmodel voor cerebrovasculaire gebeurtenissen bij halsslagaderstenose

Atherosclerotische stenose van de halsslagader is een belangrijke oorzaak van een beroerte, en vroege identificatie van patiënten met een hoog risico en chirurgische interventie kunnen hun risico op een beroerte aanzienlijk verminderen. Momenteel is de beoordeling van het risico op een beroerte bij patiënten met stenose van de halsslagader voornamelijk gebaseerd op beeldvormingsindicatoren zoals plaquemorfologie, samenstelling en mate van stenose, en wordt minder aandacht besteed aan indicatoren die rechtstreeks verband houden met ontstekingsreactie, hemodynamiek en plaque-instabiliteit. Bepaalde metabolieten in de bloedsomloop van de patiënt houden niet alleen nauw verband met de progressie van tandplak, maar zijn ook directe risicofactoren voor een beroerte. Momenteel is er een gebrek aan modellen voor het voorspellen van het risico op een beroerte voor patiënten met halsslagaderstenose die de bovengenoemde indicatoren omvatten, en het vermogen om patiënten met een hoog risico te identificeren moet verder worden verbeterd. Daarom stelt deze studie voor om deep learning-technologie te gebruiken om multidimensionale gegevens van plaquebeeldvorming, vloeistofdynamica, circulerende metabolomics en proteomics van patiënten te integreren om een ​​nauwkeurig voorspellingsmodel te construeren voor cerebrovasculaire gebeurtenissen bij patiënten met halsslagaderstenose, en om markers van stenose van de halsslagader verder te onderzoeken. kenmerken van plaque-instabiliteit in combinatie met plaquepathologie. Verwacht wordt dat dit onderzoek een basis zal bieden voor het identificeren van hoogrisicopatiënten met stenose van de halsslagader en de basis zal leggen voor het verder verminderen van het risico op een beroerte en het verbeteren van de langetermijnprognose van patiënten.