机器学习可能有助于预测不完全支架扩张

深度学习可能能够预测不完全的支架扩张,新的研究Jacc:心血管干预建议。

“虽然血管内超声(IVUS)后止血后术后冠状动脉介入(PCI),但没有预先进行的准则,可以估计支架扩张程度并在支架部署前提供先发制人的管理,”作者在他们的作者中指出抽象的。

研究团队,寻求开发基于前的基于IVUS的模型来预测支架Underexpansion,618例接受PCI的618名冠状动脉损伤,随机分配给培训和测试组(5:1比率)。获得预先和止动术的IVUS图像(以及临床信息,如支架直径,长度和充气压力;球囊直径;和最大气球压力),以及使用卷积开发回归模型的前程序模型神经网络预测阶段后地区。

研究人员报告说,支架的总频率为15%(5,209帧,共34,736帧)。基于前术的基于前的ICU的回归模型预测的支架区域与用IVUS术后测量的支架区域(r = 0.802)明显相关(r = 0.802)。当卷积神经网络和掩模图像导出的特征用于分类模型时,预测支架Underexpansion的最大精度为94%。预测和测量的最小支架面积(R = 0.832)以及预测和测量的总支架体积(R = 0.958)之间存在显着的相关性。

“深度学习算法准确地预测了不完全的支架扩张,”研究人员写道。“数据驱动方法可以帮助临床医生制定治疗决策,以避免支架Underexpansion作为预防支架失败的原因。”

阅读摘要这里