Prognozy i strategie przeciwpłytkowe u pacjentów z PCI i wysokim ryzykiem krwawienia: protokół badania

Ten ślad jest prospektywnym rejestrem zainicjowanym przez badacza z jednego ośrodka. PPP-PCI ma na celu obserwację charakterystyki i rokowania populacji PCI-HBR oraz zbadanie odpowiednich schematów terapii przeciwpłytkowej, aby zapewnić podstawę do wytycznych dotyczących interwencji u pacjentów z PCI-HBR. Projekt ten przyczyni się do dalszego udoskonalania istniejących modeli przewidywania krwawień i poprawy efektywności leczenia pacjentów stosujących PCI-HBR.

Podstawowe informacje pacjentów są oparte na ostatnim teście przed zabiegiem PCI. Podstawowe informacje obejmują wiek, płeć, skurczowe ciśnienie krwi, rozkurczowe ciśnienie krwi, wskaźnik masy ciała, status palenia, ilość wypalanych papierosów, dodatni wywiad rodzinny w kierunku chorób układu krążenia, hiperlipidemii, nadciśnienia tętniczego, cukrzycy, historii udaru mózgu, choroby tętnic obwodowych itp. W czasie rzeczywistym funkcje aktualizacji obejmują sesje DAPT, zapisy zdarzeń MACE, zapisy objawów, zapisy objawów, wyniki testów, diagnozę, porady medyczne, dane sprzętu do monitorowania objawów w czasie rzeczywistym, nieprawidłowości EKG itp. Testy obejmują pełny zestaw poziomów lipidów (w tym triglicerydów, cholesterolu , HDL, LDL itp.), parametry biochemiczne (w tym kreatynina, współczynnik przesączania kłębuszkowego, kwas moczowy itp.), poziom hemoglobiny, glukozy, hemoglobiny glikowanej, homocysteiny i lipoproteiny(a). Dane z badań obrazowych i czynnościowych obejmują obrazy angiografii wieńcowej, parametry związane z interwencją oraz charakterystykę uszkodzeń naczyń docelowych. Dane pacjenta są skorelowane z intensywnością wizyty. Obrazy obrazowania są wykorzystywane do głębokiego uczenia się w celu budowania nieustrukturyzowanych modeli klasyfikacyjnych. Dane niezwiązane z obrazowaniem są używane do uczenia maszynowego w celu zbudowania ustrukturyzowanego modelu klasyfikacji. Wstępne przetwarzanie danych obejmuje normalizację obrazu, korektę i normalizację nieregularnych wartości, wykrywanie i usuwanie wartości odstających i anomalii, interpolację i odrzucanie wartości zerowych, usuwanie współliniowości i normalizację danych.

W przypadku obrazów obrazowych skonstruowano model głębokiego uczenia przy użyciu konwolucyjnej sieci neuronowej w celu dychotomii zmian naczyniowych naczyń wieńcowych i warunków czynnościowych zawartych w obrazach koronarografii. W przypadku danych obrazu niezwiązanych z obrazowaniem jako metodę najwyższego poziomu zastosowano metodę Embedded, a jako algorytmy dolnego poziomu zastosowano regresję logistyczną, las losowy i drzewo wzmacniające gradient, a kluczowe czynniki wpływające na występowanie MACE w Populacja PCI-HBR została wyodrębniona przez połączenie wag cech poprzez zintegrowane uczenie się. Na podstawie wyodrębnionych kluczowych czynników ustalono binarny model dyskryminacyjny uczenia maszynowego, a SVM, XGBoost, losowy las i sztuczną sieć neuronową wykorzystano do zakończenia oceny wielu modeli, a najlepszy model został wybrany jako model klasyfikacyjny uczenia maszynowego .

Model uczenia głębokiego i struktury modelu uczenia maszynowego są ważone i łączone w celu uzyskania ostatecznych wyników. Następnie dane zebrane przez przyszły model są przekazywane z powrotem do zestawu danych szkoleniowych w celu uczenia przyrostowego w celu poprawienia modelu.

To badanie dostarczy nowych spostrzeżeń i dowodów dotyczących optymalnej terapii przeciwpłytkowej w kohorcie pacjentów z wysokim ryzykiem krwawienia, co jest często spotykane w codziennej praktyce.