Onderzoek naar de ontwikkeling en toepassing van een preoperatief beoordelingsmodel voor transcatheter mitralisklep edge-to-edge reparatie gebaseerd op visuele basis modellen

Mitralisregurgitatie (MR) is de meest voorkomende hartklepaandoening in China. Transcatheter edge-to-edge reparatie (TEER) is momenteel de voorkeursbehandeling voor patiënten met ernstige MR die een hoog chirurgisch risico lopen. Bestaande preoperatieve beoordelingsmethoden voor TEER hebben echter talrijke beperkingen, waaronder complexe meetparameters, hoge technische eisen en aanzienlijke subjectiviteit. Vision Mamba, een geavanceerde technologie in het visuele domein, overwint de beperkingen van veelgebruikte rekenkernen in convolutionele neurale netwerken en Transformers door bidirectionele toestandsruimtemodellen en positionele codering, en toont uitzonderlijke prestaties in visuele taken. Tot op heden hebben geen studies Vision Mamba toegepast op echovideo's voor het construeren van preoperatieve TEER-beoordelingsmodellen. Ons team heeft eerder een Transformer-gebaseerd evaluatiemodel opgezet met een kleine, enkelvoudige cohort. Deze studie introduceert innovatief een Vision Mamba-gebaseerd visueel foundation model. Door multifacette, multimodale echovideo's van meerdere centra te integreren, ontwikkelen we een one-stop preoperatief TEER-beoordelingsmodel voor MR-patiënten [slice-identificatie → video-analyse → multimodale informatie-fusie → preoperatieve beoordelingsaanbeveling (geschikt/uitdagend/ongeschikt)]. Dit model zal de identificatie van chirurgische patiënten optimaliseren en patiënten met contra-indicaties nauwkeurig screenen. Bovendien is het one-stop model snel en objectief, wat de klinische efficiëntie aanzienlijk verbetert. Het biedt perspectief voor implementatie op eerstelijnszorgniveaus om de gezondheidszorgmiddelenallocatie te optimaliseren.