Riskprediktionsmodell för cerebrovaskulära händelser i halsartärstenos

Aterosklerotisk halsartärstenos är en viktig orsak till stroke, och tidig identifiering av högriskpatienter och kirurgiskt ingrepp kan avsevärt minska risken för stroke. För närvarande är bedömningen av strokerisk hos patienter med halsartärstenos huvudsakligen baserad på avbildningsindikatorer såsom plackmorfologi, sammansättning och grad av stenos, och mindre hänsyn tas till indikatorer som är direkt relaterade till inflammatorisk respons, hemodynamik och plackinstabilitet. Vissa metaboliter i patientens cirkulation är inte bara nära relaterade till plackprogression, utan är också direkta riskfaktorer för stroke. För närvarande finns det en brist på modeller för att förutsäga strokerisk för patienter med karotisstenos som inkluderar ovanstående indikatorer, och förmågan att identifiera högriskpatienter behöver förbättras ytterligare. Därför föreslår denna studie att använda djupinlärningsteknologi för att integrera multidimensionella data från patienternas plackavbildning, vätskedynamik, cirkulerande metabolomik och proteomik för att konstruera en exakt förutsägelsemodell för cerebrovaskulära händelser hos patienter med halsartärstenos, och för att ytterligare utforska markörer för plackinstabilitetsegenskaper i kombination med plackpatologi. Denna studie förväntas ge underlag för att identifiera högriskpatienter med halsartärstenos och lägga grunden för att ytterligare minska risken för stroke och förbättra patienters långsiktiga prognos.