药物排泄性支架植入后DAPT患者的动态预后预测:模型开发和验证

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 人工智能技术的快速发展和更新的双抗血小板治疗 (DAPT) 准则需要改进后支架植入事件的预测模型.
• 目前DAPT的风险分层可能无法完全捕捉动态患者配置文件.

研究的目的:

• 开发和验证基于人工智能的管道,用于预测药物释放支架植入后缺血和出血事件.
• 利用人工智能进行动态风险分层和个性化的DAPT管理支持.

主要方法:

• 开发并验证了一个人工智能管道,使用来自两个大型数据库 (Cerner Health Facts和Optum Clinformatics) 的回顾性数据.
• 评估了5个AI算法,用于在植入后的36个月内预测缺血和出血风险,分为6个预测窗口.
• 利用加权光梯度增强机器,称为AI-DAPT,以实现其卓越的性能.

主要成果:

• 在30-36个月的窗口中,AI-DAPT模型在预测缺血事件 (AUC 90%) 和出血事件 (AUC 84%) 中表现出很高的准确性.
• 该模型在以后的预测窗口中显示出高峰性能,表明其在长期预测中的强度.
• AI-DAPT实现了强大的分辨准确性,在大型患者队列中得到验证.

结论:

• 通过整合不断变化的患者临床数据,AI-DAPT提供了准确,动态和代的预测.
• 这种人工智能工具提供了一种新的方法,以高精度和适应性优化DAPT持续时间管理.
• 该模型有可能显著提高后支架植入治疗的临床决策.