En tidlig varslingsmodell for ugunstige utfall etter endovaskulær intervensjonsbehandling av intrakraniell aneurisme

Endovaskulær behandling har blitt en av de primære behandlingsmetodene for intrakranielle aneurismer. De ugunstige resultatene under oppfølging inkluderte tilbakefall av aneurisme og langvarig ufullstendig okklusjon, noe som ville medføre høy risiko for reblødning og gjenbehandling. Tidligere studier har forsøkt å forutsi utfallene av aneurismer etter endovaskulær behandling basert på aneurismekarakteristikker inkludert morfologi, emboliseringspakningsgrad osv., men konklusjonen var inkonsekvent. Hemodynamikk av aneurismer og foreldrearterie spilte en større rolle i å forutsi utfall etter endovaskulær behandling. Etterforskere fant også at resultatene ble bestemt av mange faktorer, der demografi, kliniske indikatorer, behandlingsmetoder og materialvalg ikke kan ignoreres, og mekanismen for ugunstige bilderesultater bør utforskes ved å bruke store utvalg av kliniske tilfeller og en rekke variable. parametere. Foreksperimentet av etterforskere bekreftet at kunstig intelligens-teknologi kan oppfylle beregningskravene for dyp mining og analyse av store prøvedata. Denne studien tar sikte på å bruke dyplæringsmodellen for å identifisere relevante risikofaktorer og vekter, etablere en stabil og nøyaktig prediksjonsmodell, og deretter innlemme den prospektive studien for å verifisere modellen. Resultatene vil være svært nyttige for nøyaktig å forutsi de uønskede utfallene som tilbakefall og langvarig ikke-okklusjon etter endovaskulær behandling og bidra til å forbedre den terapeutiske strategien og unngå risikofaktorer. Dessuten kan forekomsten av iskemiske eller hemoragiske komplikasjoner under oppfølging påvirke det endelige oppfølgingsresultatet, så analysen ble inkludert som en av utfallshendelsene for å evaluere prognosen etter intervensjon.