一种数据驱动的计算方法,用于使用血液动力学波形的医院前急性缺血性中风查工具

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 机器学习在医疗保健中的应用

背景情况:

• 急性缺血性中风 (AIS) 是全球导致残疾和死亡的主要原因,需要快速诊断和干预.
• 目前的诊断方法,如"滴送"依赖于专门中心的先进成像,导致治疗开始的重大延迟.
• 及时检测和定位脑动脉堵塞对于有效的患者管理和改善结果至关重要.

研究的目的:

• 研究一种机器学习模型的可行性,用于在AIS中诊断和定位封闭的血块.
• 用便携式多普勒超声波设备获得的速度波形作为替代诊断工具.
• 开发一种具有成本效益和时间效率的急性缺血性中风查方法.

主要方法:

• 模拟的血液动力学数据代表健康和AIS场景,使用基于人口的数据库生成.
• 通过分析测量的波形,训练了一种机器学习分类模型来检测和定位thrombi.
• 该模型进行了两步分类:确定受影响的区域和分类血栓大小 (小,中,大血管封闭).

主要成果:

• 该方法在无噪声模拟数据中的两个分类步骤中实现了超过95%的真实预测率.
• 在高达20%的噪声下,真正的预测率下降到80%的区域检测和70%的分叉生成检测.
• 这些结果表明,在理想条件下,在识别凝块位置和类型方面具有很高的准确性.

结论:

• 这项研究表明,利用血液动力学数据和机器学习来有效检测和定位AIS中的血栓的潜力.
• 拟议的方法显示了作为传统成像技术的可行,快速和可访问的替代方案的承诺.
• 对于现实世界的应用需要进一步的调整,但理想化的数据结果对临床翻译是令人鼓舞的.