基于深度学习的模型,用于难以预测腿部输血接入,与对中风血栓切除术的人类评估相比
Pere Canals1,2, Alvaro Garcia-Tornel3, Manuel Requena3,4
1Stroke Unit, Neurology, Vall d'Hebron University Hospital, Barcelona, Spain pere.canals@vhir.org.
Journal of neurointerventional surgery
|May 3, 2024
概括
一个新的机器学习模型准确地预测了中风患者机械血栓切除术 (MT) 难以获得的输血门. 这种人工智能工具改进了专家的评估,帮助程序规划和提高中风治疗结果.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 机械血栓切除术 (MT) 的成功取决于宫血管的进入.
- 血管扭曲是影响MT程序持续时间和结果的关键因素.
- 目前的方法在识别宫接入的解剖挑战时缺乏速度和可靠性.
研究的目的:
- 开发和验证一种机器学习模型,用于在MT中预测难以移动门访问 (DTFA).
- 评估模型的性能与人类专家的评估.
- 为MT提供一个工具,以优化动脉接入决策.
主要方法:
- 对513名接受大血管封闭性中风的肺输血治疗的患者进行了回顾性分析.
- 开发一种机器学习模型,使用头CTA的29个解剖特征来预测DTFA.
- 对比模型的预测准确度与3个专家评级者对116个案例的子集.
主要成果:
- 11.5%的MT程序经历了DTFA.
- 机器学习模型在DTFA预测中获得了0.76的AUROC.
- 与专家评估 (F1-分数0.43-0.50) 相比,该模型显示出更高的性能 (F1-分数0.70).
结论:
- 一个完全自动化的机器学习模型用于在MT中预测DTFA已经成功开发和验证.
- 与传统的专家评估相比,这种人工智能驱动的方法显著提高了难以进入动脉的预测能力.
- 该模型的预测可以为有关患者选择和MT程序规划的战略决策提供信息.
