用于改善大型血管堵塞的卒中患者临床结局的机器学习工具
图片：深度学习模型将预测使用溶栓药物和/或血管内治疗的卒中患者的临床结局（图片由123RF提供）
缺血性卒中发生在脑血管被血栓或其他颗粒阻塞时。大约三分之一的病例可以通过溶栓药物成功溶解血栓。然而，当血栓较大时，单靠药物往往不足以解决问题，此时医生会考虑进行血管内治疗。该程序涉及通过腹股沟或手腕处的动脉将导管引导至大脑以移除血栓。最近的研究表明，即使在卒中发生一天甚至更长时间后，以及在广泛损伤的情况下，患者仍然可以从血管内治疗中获益。相反地，有些根据特定指标预计能从该程序中受益的患者并未出现改善情况。尽管医生能够在超过90%的情况下成功通过血管内手术恢复血流，但这些患者中有超过50%的人仍遭受中度到重度残疾的影响。一项新的研究旨在弥合通过血管内手术成功开通血管与减少卒中后残疾之间的差距。
为期五年的研究将由位于美国德克萨斯州休斯顿的德克萨斯大学健康科学中心的研究人员进行，重点是开发一种机器学习工具，以预测哪些因大血管阻塞而中风的患者最有可能从血管内治疗中受益。该团队将创建一个数据库，其中包括来自三家美国医院的患者的成像和临床结果数据，这些患者已经成功地进行了再灌注（即重新打开阻塞的血管）手术。这个数据库将帮助研究人员识别在再灌注后脑损伤的临床和影像学预测因素。
研究团队将开发一个机器学习模型，能够使用在血管内治疗前后收集的数据来预测脑组织存活率和临床结果。这个深度学习模型将结合影像数据、患者的临床病史以及卒中严重程度的测量指标，以帮助识别仅通过血管内治疗可能无法获得良好预后的患者。通过对治疗前和治疗后影像及临床变量的变化进行分析，该模型还将旨在预测接受溶栓药物和/或血管内治疗患者的预后情况。
“我们让算法学习能够预测表现好坏的视觉特征，”主要研究员Luca Giancardo博士（UTHealth Houston副教授）说道。“机器学习或人工智能并不是看到一些看不见的东西。它们只是看到了实际存在的东西。但是，在多模式数据和纵向数据分析中找到相关性非常困难，因为这些相关性可能非常细微。我们希望这个模型能够发现那些我们没有注意到、甚至没有想到要去分析的特征。因此，这个模型有望超越人类肉眼所能达到的效果。”
相关链接:
德克萨斯大学健康科学中心休斯顿分校
黄金会员
SARS-CoV-2/甲型流感/乙型流感/呼吸道合胞病毒样本到答案检测
SARS-CoV-2/甲型流感/乙型流感/呼吸道合胞病毒载片（CE-IVD）
新的
麻醉系统
WATO EX-65
新的
经导管瓣膜修复系统
帕斯卡精准度
关于《用于改善大型血管堵塞的卒中患者临床结局的机器学习工具》的评论
暂无评论